Performance Evaluation Methodology for Long-Term Visual Object Tracking 阅读笔记

跟踪算法分类

ST0(短时跟踪器):每帧输出位置,不检测遮挡

ST1(保守更新短时跟踪器):每帧输出位置,依据跟踪置信度判别机制更新目标模型

LT0(伪长时跟踪器):确定目标可见时才输出位置,有检测跟踪失败的机制,但没有显式实现目标重检测

LT1(带有重检测的长时跟踪器):确定目标可见时才输出位置,有检测跟踪失败的机制,显式实现目标重检测

长时跟踪评价指标

已知分类阈值 τ θ \tau_{\theta} τθ和重叠度阈值 τ Ω \tau_{\Omega} τΩ,准确率和召回率可以定义为

分类阈值是指如果输出置信度 θ t < τ θ \theta_t<\tau_{\theta} θt<τθ,则跟踪器输出为空, A t ( τ θ ) = ∅ A_t(\tau_{\theta})=\varnothing At(τθ)=
P r ( τ θ , τ Ω ) = ∣ { t : Ω ( A t ( τ θ ) , G t ) ≥ τ Ω } ∣ / N p , R e ( τ θ , τ Ω ) = ∣ { t : Ω ( A t ( τ θ ) , G t ) ≥ τ Ω } ∣ / N g Pr(\tau_{\theta}, \tau_{\Omega})=|\{t:\Omega(A_t(\tau_{\theta}),G_t)\geq \tau_{\Omega}\}|/N_p,\\ Re(\tau_{\theta},\tau_{\Omega})=|\{t:\Omega(A_t(\tau_{\theta}),G_t)\geq \tau_{\Omega}\}|/N_g Pr(τθ,τΩ)={t:Ω(At(τθ),Gt)τΩ}/Np,Re(τθ,τΩ)={t:Ω(At(τθ),Gt)τΩ}/Ng
但是,预定义的阈值无法准确反映跟踪器是否失败,为消除阈值影响,将准确率和召回率对 τ Ω \tau_{\Omega} τΩ进行积分。另外,可以证明,一系列阈值下成功率的平均等于平均重叠率。
P r ( τ θ ) = ∫ 0 1 P r ( τ θ , τ Ω ) d τ Ω = 1 N p ∑ t ∈ { t : A t ( τ θ ) ≠ ∅ } Ω ( A t ( τ θ ) , G t ) Pr(\tau_{\theta})=\int_0^1Pr(\tau_{\theta},\tau_{\Omega})d\tau_{\Omega}\\ =\frac{1}{N_p}\sum_{t\in\{t:A_t(\tau_{\theta})\neq\varnothing\}}\Omega(A_t(\tau_{\theta}),G_t) Pr(τθ)=01Pr(τθ,τΩ)dτΩ=Np1t{t:At(τθ)=}Ω(At(τθ),Gt)

R e ( τ θ ) = ∫ 0 1 R e ( τ θ , τ Ω ) d τ Ω = 1 N g ∑ t ∈ { t : G t ≠ ∅ } Ω ( A t ( τ θ ) , G t ) Re(\tau_{\theta})=\int_0^1Re(\tau_{\theta},\tau_{\Omega})d\tau_{\Omega}\\ =\frac{1}{N_g}\sum_{t\in\{t:G_t\neq\varnothing\}}\Omega(A_t(\tau_{\theta}),G_t) Re(τθ)=01Re(τθ,τΩ)dτΩ=Ng1t{t:Gt=}Ω(At(τθ),Gt)

分别称为跟踪准确率(tracking precision)和跟踪召回率(tracking recall),定义跟踪F-指标
F ( τ θ ) = 2 P r ( τ θ ) R e ( τ θ ) / ( P r ( τ θ ) + R e ( τ θ ) ) F(\tau_{\theta})=2Pr(\tau_{\theta})Re(\tau_{\theta})/(Pr(\tau_{\theta})+Re(\tau_{\theta})) F(τθ)=2Pr(τθ)Re(τθ)/(Pr(τθ)+Re(τθ))

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值