【Benchmarks&Datasets】跟踪数据集

LaSOT(CVPR2019)

在论文中指出了现有数据集的几个问题：

1. 规模小 Small-scale
2. 缺乏高质量的密集注释 Lack of high-quality dense annotations
   它可能会给一些需要从注释中学习时态模型的跟踪器带来问题，因为这些基准测试中的时态上下文可能会由于稀疏注释而丢失，或者由于可能不可靠的注释而不准确。
3. 短程跟踪 Short-term tracking
   可能无法演示跟踪器在长期场景中的性能。
4. 类别不平衡 Category bias
   鲁棒跟踪系统应表现出对目标所属类别不敏感的稳定性能，这意味着在训练和评估跟踪算法中都应抑制类别偏差(或类不平衡)。 见本节图片

采集方法：

• 70类物体（几乎为ImageNet1000类中存在的）
• 1400段视频进行裁剪（长度平均为2500 frames左右/84s）

注释方法：

• 右上贴合的矩形框人工标注（非最小包围）
• 提供完全遮挡和出画面的标注
• 会为了减少背景噪声调整标记策略（e.g., exclude the tails of mice when drawing their bounding boxes）
• 自然语言的标注：包含颜色、行为、目标周围的描述 color, behavior and surroundings of the target
• 构建高质量密集跟踪数据集的最大努力是手工标记、双重查询和错误纠正。
  为了完成这项任务，我们组建了一个注释团队，其中包括几个从事相关领域工作的博士生和大约10名志愿者。为了保证高质量的注释，每个视频都由团队处理:标签团队和验证团队。标签团队由志愿者和专家(博士生)组成。