Apr, 2018

长期视觉跟踪性能评估

PDF
TL;DR我们提出了一种新的长期跟踪性能评估方法，并提出了一个具有许多目标消失的精心选择序列的新挑战性数据集，通过使用适用于评估长期跟踪的新性能指标 - 跟踪精度，召回率和 F 得分来广泛评估了六个长期和九个短期的最先进的跟踪器，评估结果表明，良好的模型更新策略和全局检测能力对于长期跟踪性能至关重要，我们将该方法集成到 VOT 工具包中以自动化实验分析和基准测试，并促进了长期跟踪器的开发。
long-term trackingperformance evaluation methodologychallenging datasetstate-of-the-art trackersmodel update strategy
发现论文，激发创造
  • 学习长期跟踪器分数的空间分布

    该论文总结了长期跟踪中的关键问题，提出了基于融合追踪器策略的学习方法，并通过实验证明了模型与数据的独立性，并在竞争中取得了领先地位。

    Aug, 2023

  • 长期视觉目标跟踪基准

    提出了一种名为 Track Long and Prosper（TLP）的新型长视频数据集和单个目标跟踪基准，包含 50 个高清视频，超过 400 分钟（676K 帧），是现有通用数据集平均持续时间的 20 倍以上，通过对 17 种现有跟踪器进行精度和运行时间速度排名，以及定性和定量评估，突出了跟踪性能的长期方面的重要性并指出了研究努力在长期跟踪方向的潜在需求。

    Dec, 2017

  • CDTB：一种基于颜色和深度的视觉物体跟踪数据集和基准

    本文提出了一种长期视觉对象跟踪性能评估方法和基准，并设计了性能度量标准，以最大程度地增强对分析的探究力度。此外，还提出了新的数据集并分析了跟踪架构对长期性能的影响，以及重新检测策略和视觉模型更新策略对长期跟踪漂移的影响。

    Jul, 2019

  • 学习回归和验证网络以进行长期视觉跟踪

    我们提出了一个基于深度回归和验证网络的新型长期跟踪框架，其中使用对象感知特征融合和区域提案网络设计了离线训练的回归模型，该模型可以有效生成候选框并估计它们的相似度分数，在线实时更新以适应外表上的变化。通过结合相似度和分类分数，我们的跟踪器可以准确确定目标的缺席并进行图像全局重检测以成功捕获目标。

    Sep, 2018

  • 一种新的单目标追踪器性能评估方法

    本文提出了一种单目标跟踪器绩效评估的新方法，在数据集、性能指标和评估系统方面对其作出要求。同时，引入了基于排名的方法，并构建了一个多方平台的评估系统，使其成为至今最具精密注释的数据集之一。此方法在 VOT2014 挑战赛上得到了应用，并对数据集进行了全面分析，提出了可行的性能可视化技术。

    Mar, 2015

  • 荒野长期跟踪：一个基准测试

    介绍了 OxUvA 数据集和基准，该数据集用于评估单目标跟踪算法，并对算法在具有平均长度大于两分钟且具有频繁目标对象消失的大规模序列中的定位和检测能力进行了评估。

    Mar, 2018

  • 半小时追踪

    本文提出了一种在长期跟踪中综合应用全局和局部搜索策略的跟踪器，并采用自我质量评估指导谨慎更新，达到了较好的跟踪效果。

    Nov, 2017

  • 多目标、多相机跟踪的性能指标和数据集

    本研究提出新型精度和召回率的性能评价措施，并通过拥有超过 2700 个身份的 1080p，60fps 视频上的 2 百万帧进行了大规模标注和校准，同时使用参考软件系统作为比较基准。研究结果表明，提出的措施恰当地评估了多相机设置中的身份识别性能，数据集提供了对目前跟踪器的现实挑战，而我们的系统的性能可与现有技术水平相当。

    Sep, 2016

  • 视觉跟踪的深度学习：一项综述

    本文对深度学习手段在视觉目标跟踪中的应用作了全面综述，包括常用的数据集、评估指标以及当前领先的跟踪器，并对它们进行了量化和定性分析，旨在为实践者在选择方案时提供指导和对未来方向进行探讨。

    Dec, 2019

  • 基于本地跟踪器集合的全局跟踪

    本研究结合了全局追踪和利用时间上下文的优点，通过局部追踪器的集成来全局追踪目标。实验表明我们的方法在六个数据集上表现优异。

    Mar, 2022