长期视觉目标跟踪基准

我们提出了一个新的长视频数据集（称为 Track Long and Prosper - TLP）以及用于单目标跟踪的基准。该数据集由来自真实场景的 50 个高清视频组成，总时长超过 400 分钟（676K 帧），与现有通用视觉跟踪数据集相比，其平均每序列时长大于 20 倍，总覆盖时长大于 8 倍。所提出的数据集为恰当评估长期跟踪性能并训练更好的深度学习架构（避免/减少可能无法反映真实世界行为的增广）铺平了道路。我们在 17 个最先进跟踪器上对该数据集进行基准测试，并根据跟踪精度与运行速度对其进行排序。我们进一步给出详尽的定性与定量评估，凸显长期跟踪方面的重要性。我们最有趣的观察是：(a) 现有的短序列基准无法揭示跟踪算法间的固有差异，而这些差异在长序列跟踪时扩大；(b) 跟踪器在挑战性长序列上的精度急剧下降，表明可能在长期跟踪方向上有研究的潜在需求。