TeamTrack: 全场视频中的多项运动多目标跟踪数据集
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
本文介绍了新的多目标追踪数据集SportsMOT，旨在提升运动跟踪器的性能。通过MixSort框架，结合外观和运动关联，取得了在SportsMOT和MOT17上的最佳表现。数据集包含200个足球视频序列，提供完整注释，以改善球员、裁判和球的跟踪效果。
🔎
延伸解读
数据集特点与挑战
SportsMOT包含200个30秒的足球视频序列和一个完整的45分钟半场，提供边界框和跟踪ID的完整注释，用于跟踪球员、裁判和球。其关键挑战在于对象关联，因为足球视频中外观区分度差，同一队伍球员穿着相似，且运动复杂。
MixSort框架的创新
MixSort框架通过将自定义的基于外观的关联与原始的基于运动的关联相结合，在SportsMOT和MOT17上实现了最先进的性能。这表明在运动跟踪中，结合外观和运动信息能有效提升跟踪效果，尤其是在外观区分度低的情况下。
现有数据集的局限
现有的多目标跟踪数据集存在外观区分度差的问题，如DanceTrack数据集上最先进跟踪器表现明显下降。SportsMOT旨在解决这一挑战，为发展依赖于运动分析而非视觉差异的MOT算法提供更好的平台。
基准测试结果与改进方向
全面基准测试显示，足球视频中的多人、裁判和球跟踪问题仍需改善。这表明当前跟踪器在复杂运动场景下仍有不足，未来需要进一步优化算法，特别是在对象关联和外观区分方面。
❓
Q&A
SportsMOT数据集的主要目的是什么？
SportsMOT数据集旨在提升运动跟踪器的性能，特别是在对象关联方面。
SportsMOT数据集包含多少个视频序列？
该数据集包含200个30秒的足球视频序列。
MixSort框架是如何提高跟踪性能的？
MixSort框架通过结合基于外观和运动的关联来提高跟踪性能。
SportsMOT数据集如何改善现有跟踪器的表现？
通过提供完整注释和基准测试，SportsMOT旨在解决现有数据集中外观区分度差的问题，从而改善跟踪效果。
在SportsMOT数据集中，跟踪的对象有哪些？
该数据集支持对球员、裁判和球的跟踪。
现有多目标跟踪数据集存在哪些问题？
现有数据集存在外观区分度差的问题，影响跟踪效果。
🏷️
