Oct, 2018

GOT-10k: 野外通用物体追踪的大规模高多样化基准

PDF
TL;DR本文介绍了一个基于 WordNet 结构的大型跟踪数据库，名为 GOT-10k。GOT-10k 可以提供超过 10,000 个视频段，1.5 百万个手动标记的边界框，由此可以进行深度跟踪的统一训练和稳定评估。此外，该数据库还引入了一种名为 one-shot protocol 的跟踪器评估方法，可以促进跟踪器的发展。我们在 GOT-10k 上进行了广泛的跟踪实验，并分析了实验结果。
发现论文，激发创造
  • TrackingNet: 野外物体跟踪的大规模数据集和基准

    该研究提出了 TrackingNet 数据集，为在野外进行物体跟踪提供了第一个大规模数据集和基准，并评估了 20 多个追踪器模型，结果表明，在野外物体跟踪仍然远未解决。

    Mar, 2018

  • GMOT-40：通用多目标跟踪基准

    本文通过构建 GMOT-40 数据集、设计一系列 GMOT 基线算法及对 GMOT-40 的全面评估，旨在推动 GMOT 的研究，以及提供公共的基准测试、评估结果和基线算法。

    Nov, 2020

  • 无监督的绿色物体跟踪器 (GOT) 无需离线预训练

    提出了一种新的单目标追踪方法 —— 绿色物体追踪器 (GOT)，它能在不进行离线预训练的情况下实现轻量级高性能追踪，并具有算法透明度。与需要离线预训练的最先进的无监督追踪器相比，GOT 具有较低的计算成本和较小的模型尺寸，在保持竞争追踪准确性的同时，适用于移动设备和边缘设备。

    Sep, 2023

  • TAO: 一个用于追踪任何物体的大规模基准

    该研究介绍了一个多样化的跟踪数据集，采用自下而上的方法获取了一个比以前跟踪基准的种类翻了一个数量级的大词汇，并进行评估表明现有的多种对象跟踪器在野外场景中存在困难，而基于检测的多对象跟踪器实际上是有竞争力的。

    May, 2020

  • VastTrack：广阔类别的视觉目标跟踪

    通过引入一个名为 VastTrack 的新型基准，本文旨在促进更加通用的视觉跟踪算法的发展，包括丰富的类别和视频，它具有大量目标类别、更大的规模、丰富的注释等吸引人的特性。

    Mar, 2024

  • Z-GMOT: 零样本通用多目标跟踪

    我们介绍了一种新方法，称为零样本通用多目标跟踪算法（Z-GMOT），它可以跟踪从未见过的物体类别，而无需预定义类别或初始边界框。我们使用 iGLIP 对 Z-GMOT 进行评估，结果表明在多个数据集上的表现优于现有方法。

    May, 2023

  • LaSOT: 高质量大规模单目标跟踪基准

    LaSOT 是一个高质量的大规模单目标跟踪基准，拥有 85 个类别，共计超过 387 万帧，每帧都经过精心手动注释，提供了一个专门的高质量平台供跟踪器的训练和评估。在 LaSOT 上的广泛评估表明，仍然存在显着的改进空间。

    Sep, 2020

  • OVTrack: 开放式词汇多目标跟踪

    本研究解决了传统多目标跟踪方法只针对少数预定义对象类型的固有限制，并提出了一种新的任务 Open-vocabulary MOT，进一步开发出一种数据效率优异的开放词汇跟踪器 OVTrack，通过知识蒸馏和数据幻觉策略有效提升图像分类和关联准确性，最终在大规模的 TAO 基准测试上取得了最新的最优效果。

    Apr, 2023

  • LaSOT：大尺度单目标跟踪高度质量基准

    本文提出了 LaSOT，一个用于对象跟踪的高质量基准数据集，它包括大量具有视觉挑战的序列，同时还提供了自然语言方面的数据丰富，以促进自然语言特征的研究。35 种跟踪算法在该数据集上进行了实验，并发现仍有很大的改善空间。

    Sep, 2018

  • NetTrack: 使用网络实现高度动态物体的跟踪

    NetTrack 是一个高效、通用、经济实惠的追踪框架，通过引入细粒度学习，利用点级视觉线索来构建一个对动态性鲁棒的动态感知关联。它还学习了细粒度的样本选择和匹配方法，以及细粒度的定位。在鸟群追踪 (Bird Flock Tracking) 数据集和一系列具有高动态性的开放世界基准测试中的全面评估验证了 NetTrack 在目标动态性方面的有效性，即使没有微调，在挑战性的开放世界基准测试中也证实了 NetTrack 的强大泛化能力。

    Mar, 2024