Ohana_0-优快云博客

原创 OOTB论文深扒

本文系统综述了卫星视频单目标跟踪(SOT)的研究进展，针对现有方法在旋转目标跟踪上的不足，提出了首个卫星视频旋转目标跟踪基准OOTB。该基准包含110段视频序列(29890帧)，覆盖车辆、船舶、飞机和火车四类目标，所有帧均采用旋转包围框(OBB)标注，并定义了12类细粒度属性。通过评测33种前沿跟踪器(58个模型)发现：基于孪生网络的跟踪器性能最优；旋转、完全遮挡和背景杂波是最具挑战性的场景；融合外观与运动特征的跟踪器表现更鲁棒。研究为卫星视频跟踪领域提供了标准化评测平台和性能基线，并指出未来应在特征融合、

2026-05-12 21:52:07 429

原创 2015年至2026年十年发射的视频卫星，附：参考文献与可靠数据来源

2015-2026年是商业视频卫星发展的关键十年，主要系统包括中国的吉林一号、美国的SkySat和英国的Carbonite系列。吉林一号自2015年首发至2026年已组网超140颗，成为全球最大亚米级商业星座；SkySat星座（21颗）可拍摄90秒高清视频；Carbonite-2则完成了低成本视频技术验证。这些系统为卫星视频应用奠定了基础，相关数据支撑了多项科研工作。

2026-05-12 21:11:25 378 1

原创 SeqTrack模型专题全面调研

本文介绍了SeqTrack目标跟踪算法的配置文件命名规则及模型配置细节。配置文件名称包含模型类型（Base/Large）、搜索尺寸（256/384）和数据集标识（_got表示GOT-10k专用）。Base模型适合速度优先场景，Large模型精度更高；256尺寸计算量较小，384视野更广。论文部分系统阐述了SeqTrack的序列学习方法，包括图像序列表示、编解码架构、训练推理流程，并通过实验验证了其在LaSOT和VOT2020等基准上的优越性能，特别是自回归机制和交叉注意力模块的有效性。该研究为视觉目标跟踪提

2026-04-29 20:30:40 288

原创 SeqTrack开源模型复现

在较新的 PyTorch 中，torch.utils.tensorboard 已经内置了 TensorBoard 功能，而 tensorboardX 是一个第三方替代品。运行过配置路径的命令之后如果还是反斜杠，受累，手动改，改过之后再运行配置命令会有小惊喜，建议不要尝试。用浏览器打开这个地址，就可以看到训练过程中的损失曲线（Loss）、准确率（Accuracy）等图表。你当前是 0.6，可以拖动滑块降低到 0.3-0.4 看更真实的曲线。个人用下来，两个命令没有区别，local.py内都会更新为反斜杠。

2026-04-26 13:27:59 625

原创 AQAtrack复现笔记-含deepseek分析模型的建议

本文介绍了一个标准的目标跟踪模型训练-测试-分析流程。训练阶段通过train.py脚本生成checkpoints和日志文件，包含超参数配置、损失曲线和定期保存的模型。测试阶段独立运行test.py，指定模型权重和结果保存路径，输出跟踪结果和可视化图像。分析阶段运行analysis.py计算精确率、准确率等指标，并生成评估结果文件。整个流程采用模块化设计，训练、测试、分析相互独立，通过文件进行数据传递，便于实验管理和结果复现。最终输出包括性能指标、PR曲线和失败案例分析，为论文撰写提供完整的数据支持。

2026-04-24 10:36:49 509

原创 AQATrack模型复现遇到的问题

本文总结了PyTorch GPU环境配置、数据集处理及常见错误的解决方案。主要内容包括：1）将PyTorch从CPU版转为GPU版的操作步骤，需注意CUDA版本匹配；2）数据集处理技巧，如GOT-10k数据集的使用和OOTB数据集的代码修改；3）常见错误排查，如分布式训练环境变量设置、内存不足、路径错误等问题。还涉及手机USB网络共享、Visdom安装等实用问题的解决方法。这些经验对深度学习环境搭建和模型训练具有实用参考价值。

2026-04-23 13:53:43 452

原创 STARK(31.7FPS) ＜ SeqTrack(40FPS) ＜ AQATrack(67.6FPS)模型的比较分析

本文对比了三种目标跟踪模型架构：STARK采用编码器-解码器Transformer实现端到端无锚点跟踪；AQATrack引入查询向量传播机制；SeqTrack将跟踪转化为序列生成问题。性能上，AQATrack精度最高(71.4%AUC)，STARK最轻量(43.4M参数)，SeqTrack训练最稳定。应用场景方面，STARK适合资源受限环境，AQATrack适合高帧率需求，SeqTrack便于多模态扩展。技术趋势指向离散化方法与生成模型的结合，未来可能发展混合预测架构。选择模型需根据具体场景在精度、效率和扩

2026-04-23 10:38:32 267

原创 SatSOT和 OOTB 卫星视频目标跟踪数据集

典型指标提升包括旋转IoU（R-IoU）平均提高15-20%，特别适用于船舶、飞机等长宽比悬殊的目标。四类核心目标的mAP可达78.3%（汽车）、82.1%（船舶）、80.7%（飞机）和75.9%（火车），但对未训练类别（如建筑物）的误检率高达25-30%。在测试集包含的12类干扰场景中，模型对云雾遮挡（保持85%以上召回率）、低对比度（AP下降不超过5%）和运动模糊（误差增幅<8%）等卫星视频典型挑战表现稳定。典型应用场景包括港口监控（船舶mAP>80%）和机场流量统计（飞机计数误差<3%）。

2026-04-14 16:00:00 305

原创 AQATrack开源模型复现

文章摘要：本文详细介绍了AQATrack目标跟踪框架的环境配置和参数修改流程。首先通过Anaconda创建虚拟环境并安装依赖，使用PyCharm配置项目路径。重点说明了数据集路径设置、缺失模块安装方法，以及yaml文件中训练参数（epoch数、图像尺寸、数据集采样比例等）的调整技巧。同时提供了在代码中添加自定义数据集的完整步骤，包括修改dataset模块、添加数据集类等。最后给出了训练过程中batch size调整、显存溢出处理等实用建议。全文采用轻松活泼的表述方式，为读者提供了清晰的操作指南。

2026-04-01 17:01:14 337

Ohana_0的博客