该论文介绍了一种用于水下视觉对象跟踪（UVOT）的新数据集和通用跟踪器增强方法。论文提出了一种新颖的水下图像增强算法，针对水下环境提供了显著的性能提升，并引入了一个大规模的 UVOT 基准数据集，其中包含 400 个视频片段和 275,000 个手动注释的帧，用于深度跟踪器的水下训练和评估。

Aug, 2023

通过引入数据集 DUO 和相应的基准，我们解决了测试集注释缺乏、数据集存在其他缺陷和没有统一基准等几个挑战，这可用于学术研究和实际工业应用中对 SOTAs（使用 MMDtection 框架）进行效率和准确率的指标评估，并使用 JETSON AGX XAVIER 来评估探测器速度以模拟机器人嵌入式环境。

Jun, 2021

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

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

本文介绍了第一个大规模的海底图像语义分割数据集 SUIM，包含八个对象类别的 1500 多张图像像素注释，并介绍一个性能和计算效率平衡的全卷积编码解码模型 SUIM-Net 以及其在海底机器人视觉引导方面的应用。

Apr, 2020

为了提高水下抓取效率，我们标记并建立了第一个真实场景的水下语义分割数据集 (DUT-USEG:DUT Underwater Segmentation Dataset)，并基于此数据集提出了一个重点关注边界的半监督水下语义分割网络 (US-Net: Underwater Segmentation Network)，通过设计伪标签生成器和检测子网，实现了水下物体与背景之间边界的精细学习，并改善了边缘区域的分割效果，实验表明该方法在 DUT-USEG 数据集中的三类动物物种 (海葵，海胆和海星) 上提高了 6.7％的性能，达到了最先进的结果。

Aug, 2021

该论文介绍了一种名为 Unified Transformer Tracker (UTT) 的模型，通过该模型，研究者们可以在同一框架下解决不同场景下的目标跟踪问题。该模型可以同时进行单目标跟踪（Single Object Tracking）和多目标跟踪（Multiple Object Tracking），并通过端到端训练来优化模型的表现。

Mar, 2022

本文提出了一种利用普通物体跟踪器在大规模未标记的汽车环境视频中进行物体挖掘的方法，并展示了超过 36 万个自动挖掘的物体轨迹，并提出了一种自动发现新类别和学习检测器的方法。此外，我们还展示了利用挖掘轨迹进行目标检测器适应的初步结果。

Sep, 2018

我们的研究探索了在海洋中使用无人机和无人水面船只的多目标跟踪技术，通过自监督学习实现实例表示学习，并与高质量探测器合作，简单高效地完成多目标跟踪任务。

Nov, 2023

本文介绍了一个旨在填补从陆基视觉系统到海基系统的差距的大规模视觉目标检测和跟踪基准（SeaDronesSee），我们从各种高度和视角，提供海拔，视角和其他元数据等相关信息，收集和注释了超过 54,000 帧，包括 400,000 个实例，并在此基础上评估了多个最先进的计算机视觉算法。

May, 2021