TrackingNet：一个用于野外目标跟踪的大规模数据集与基准
计算机视觉与模式识别
2018-03-30 v1 机器人学
摘要
尽管目标跟踪领域已有诸多进展，当前跟踪算法的进一步发展却受限于规模较小且大多已趋于饱和的数据集。事实上，由于专用大规模跟踪数据集的匮乏，基于深度学习、渴求数据的跟踪器目前不得不依赖目标检测数据集。在本工作中，我们提出 TrackingNet，这是首个面向野外目标跟踪的大规模数据集与基准。我们提供了超过 3 万段视频，包含超过 1400 万个密集边界框标注。我们的数据集涵盖了广泛多样场景下众多类别的目标。通过发布如此大规模的数据集，我们期望深度跟踪器能够进一步提升性能并增强泛化能力。此外，我们引入了一个由 500 段全新视频组成的新基准，其分布与我们训练集的分布相似。通过对测试集标注进行隔离并提供一个在线评估服务器，我们为未来目标跟踪器的开发提供了一个公平的基准。在我们的数据集子集上微调的深度跟踪器在 OTB100 上的性能提升达 1.6%，在 TrackingNet Test 上达 1.7%。我们通过在 TrackingNet 上对超过 20 个跟踪器进行广泛基准测试，结果表明野外目标跟踪远未得到解决。
引用
@article{arxiv.1803.10794,
title = {TrackingNet: A Large-Scale Dataset and Benchmark for Object Tracking in the Wild},
author = {Matthias Müller and Adel Bibi and Silvio Giancola and Salman Al-Subaihi and Bernard Ghanem},
journal= {arXiv preprint arXiv:1803.10794},
year = {2018}
}
备注
preprint