本文介绍了一种有效的框架以及注释轨迹的方法，用于生成具有前所未有的规模的 MOT 数据集，并通过验证表明我们的方法比现有技术更加准确和高效。此外，我们还 crowdsourcing 了 PathTrack 数据集，这个大规模的数据集将对物体追踪及目标识别领域产生重要影响，证明了这个数据集的价值，并且用已有的数据训练之后另行测评的结果证明了我们的方法的有效性。

Mar, 2017

该研究介绍了 EuroCity Persons 数据集，该数据集提供了大量的准确和详细的交通场景中的行人、骑车人和其他骑车人的标注，该数据集比以前用于基准测试的人员数据集大近一个数量级，而且还包含大量的人员方向标注，研究优化了四种先进的深度学习方法来服务于新的对象检测基准测试。

May, 2018

本研究提供了一个大规模数据集，利用自动注释系统从不同环境下的高度重叠 RGB 和深度相机生成三维跟踪结果，并通过手动检查和纠正三维跟踪结果来确保标签质量，以提高多相机，多物体跟踪系统的可靠性和性能。

Nov, 2021

介绍了一种新的数据集 WiderPerson，用于解决现有行人检测数据集缺少多样性和密度的问题，并提出了改进的 Faster R-CNN 和 RetinaNet 模型作为基准。在 Caltech-USA 和 CityPersons 等数据集上进行实验，证明该数据集可以有效提高模型的泛化能力，但需要加强对分类能力的改进以降低误报率和漏报率。

Sep, 2019

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

本研究介绍了用于事件相机的第一个非常大的检测数据集，包含超过 39 小时的汽车记录，涵盖城市，高速公路，郊区和乡村场景等多个不同的驾驶场景和各种天气和照明条件。该数据集的可用性将有助于事件感知视觉任务的主要进步，例如目标检测和分类，并期望在自监督学习方法等其他任务中获得好处。

Jan, 2020

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

该研究介绍了一种新的大规模、高质量、多样化的自动驾驶数据集，其中包含了各种城市和郊区地理环境中的 1150 个场景，数据标注为 2D 和 3D 框，而 2D 和 3D 检测和跟踪任务的基线也得到了提供。

Dec, 2019

通过使用深度学习算法解决多视角人员占用地图估计问题，并构建一个利用多个视频流的架构，将其联合利用，从而在 PETS 2009 数据集上大幅度优于现有方法。

Feb, 2017

本研究介绍了一个包含 10,862 个身份和超过 228k 张图片的大规模时空人员再识别数据集 (LaST)，并在其上对 14 种再识别算法进行了综合性能评估和建立了一个有效的基线模型，该模型在较短时间和换衣场景的数据集上可以很好地推广。LaST 是目前时空范围最大的再识别数据集之一，可用于人类再识别任务的更加现实和具有挑战性的基准测试。

May, 2021