WebUOT-1M：基于百万规模基准推进深海目标跟踪

underwater object tracking（UOT）是识别和追踪水下视频序列中浸没实体的基础任务。然而，当前UOT数据集在规模、目标类别和覆盖场景方面存在局限，阻碍了现代跟踪算法的训练和评估。为弥合这一差距，我们首次引入WebUOT-1M，即目前规模最大的公开UOT基准，源自复杂且真实的水下环境。该数据集包含110万帧，覆盖1500个视频剪辑，涵盖408个目标类别，显著超过以往UOT数据集（如UVOT400）。通过严格的人工标注和验证，我们提供了水下目标的高质量边界框。此外，WebUOT-1M包括视频序列的语言提示，拓展了其应用领域（如水下视觉语言跟踪）。大多数现有跟踪器针对户外环境设计，导致在UOT中应用时性能下降。由于样本不平衡和有限的真实水下数据集，重新训练和微调这些跟踪器颇具挑战。为应对这些挑战，我们提出了一种新型的全知知识蒸馏框架，基于WebUOT-1M，包含各种策略来指导学生Transformer的学习。据我们所知，这是首个通过知识蒸馏有效地将户外域知识传递给UOT模型的方法，已在现有UOT数据集和新提出的WebUOT-1M上验证。此外，我们全面评估了WebUOT-1M使用30个深度跟踪器，展示了其作为UOT研究基准的价值，呈现了面向未来研究的新挑战和机遇。完整的数据集、代码和跟踪结果将公开提供。