VastTrack：海量类别视觉目标跟踪

在本文中，我们介绍了一个名为 VastTrack 的新基准，旨在通过涵盖丰富的类别和视频来促进更通用视觉跟踪的发展。VastTrack 拥有几个吸引人的特性：(1) 海量目标类别。特别是，它涵盖了来自 2,115 个类别的目标对象，远远超过了现有流行基准的对象类别（例如，GOT-10k 有 563 个类别，LaSOT 有 70 个类别）。拥有如此庞大的对象类别，我们期望学习到更通用的对象跟踪。(2) 更大规模。与当前基准相比，VastTrack 提供了 50,610 个序列和 420 万帧，使其成为迄今为止视频数量最大的基准，从而有利于在深度学习时代训练更强大的视觉跟踪器。(3) 丰富标注。除了传统的边界框标注外，VastTrack 还为视频提供了语言描述。VastTrack 丰富的标注使得纯视觉跟踪和视觉 - 语言跟踪的开发成为可能。为确保标注精确，所有视频均经过多轮仔细检查和细化的人工标注。为了了解现有跟踪器的性能并为未来比较提供基准，我们广泛评估了 25 个代表性跟踪器。结果不出所料地显示，由于缺乏来自多样化场景的丰富类别和视频用于训练，其性能较当前数据集显著下降，需要更多努力来改进通用跟踪。我们的 VastTrack 及所有评估结果将公开提供：https://github.com/HengLan/VastTrack。