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${\tau }_{\theta }$和重叠度阈值${\tau }_{\Omega }$，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${\theta }_t<{\tau }_{\theta }$，则跟踪器输出为空，$A_t({\tau }_{\theta })=\varnothing$
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${\tau }_{\Omega }$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​)=∫01​Pr(τθ​,τΩ​)dτΩ​=Np​1​t∈{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​)=∫01​Re(τθ​,τΩ​)dτΩ​=Ng​1​t∈{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
$$F({\tau }_{\theta })=2Pr({\tau }_{\theta })Re({\tau }_{\theta })/(Pr({\tau }_{\theta })+Re({\tau }_{\theta }))$$