TSFMO

TSFMO是由桂林理工大学创建的第一个专门用于跟踪小型和快速移动物体的基准数据集，特别关注体育领域。该数据集包含250个序列，总计约50,000帧，每帧均手动标注有边界框。数据集的创建旨在解决现有跟踪算法在处理小型和快速移动物体时的不足，尤其是在体育运动分析中的应用。TSFMO的发布旨在促进未来对小型和快速移动物体跟踪的研究和应用，提供了一个公平的评估和比较平台。

TSFMO, created by Guilin University of Technology, is the first benchmark dataset specifically designed for tracking small and fast-moving objects, with a particular focus on the sports domain. This dataset consists of 250 sequences, totaling approximately 50,000 frames, and each frame is manually annotated with bounding boxes. The dataset was developed to address the shortcomings of existing tracking algorithms when dealing with small and fast-moving objects, especially for applications in sports analytics. The release of TSFMO aims to promote future research and applications of small and fast-moving object tracking, and provide a fair platform for evaluation and comparison.

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，针对小尺寸与高速运动目标的追踪任务长期面临数据资源匮乏的挑战。TSFMO基准数据集的构建过程体现了系统性与严谨性，其首先从互联网广泛搜集了涵盖26类体育项目的原始视频序列，初始收集超过280段视频。经过严格筛选，剔除不适用于追踪任务的片段，并将每段视频限制在900帧以内，最终形成了包含250个序列、总计约5万帧的高质量数据集。所有帧均采用人工标注方式，通过专家标注、视觉检查与边界框细化三步流程，为每个可见目标标注了轴对齐的紧密边界框，并对序列标注了光照变化、运动模糊等十二种属性，确保了标注的一致性与精确度。

特点

TSFMO数据集的核心特点在于其专注于小尺寸、高速运动目标的追踪场景，这在现有通用目标追踪数据集中较为罕见。定量分析显示，其目标平均尺寸仅为0.51×10^3像素，远低于其他主流基准；而平均相对运动速度高达58.28×10^{-1}，凸显了高速运动的挑战性。数据集中包含了羽毛球、篮球、足球等多种体育项目，目标常具有几何形状规则、纹理单一、易与背景混淆的特性，且频繁出现运动模糊与尺度变化。此外，数据集提供了详尽的属性标注，便于对算法在不同挑战条件下的性能进行深入分析，为专门化算法的开发与评估奠定了坚实基础。

使用方法

TSFMO数据集主要用于评估与开发针对小尺寸、高速运动目标的追踪算法。研究者可使用该数据集进行一次性评估（OPE），采用基于中心点误差的精度指标和基于交并比的成功率指标来衡量算法性能。数据集的属性标注支持针对特定挑战（如运动模糊、尺度变化）的细粒度分析。为促进研究，论文作者在数据集上评估了20种前沿追踪器，并提出了一个新颖的基线模型S-KeepTrack。该模型通过并行网络架构融合浅层与深层特征，提升了小目标表征能力，其性能优于其他对比方法。数据集及相关代码已公开，可供下载用于算法训练、测试与比较研究。

背景与挑战

背景概述

在计算机视觉领域，目标跟踪作为一项基础任务，广泛应用于视频监控、机器人交互与运动分析等多个场景。随着深度学习技术的蓬勃发展，通用目标跟踪已取得显著进展，然而针对小尺寸与高速运动物体的跟踪研究却长期处于空白状态。TSFMO数据集由桂林理工大学的研究团队于2022年首次提出，旨在填补这一研究缺口。该数据集聚焦于体育场景中的小尺寸高速运动物体，涵盖26类体育项目，包含250个序列共计约5万帧图像，每帧均经过精细的人工边界框标注。作为首个专门针对小尺寸高速运动物体的跟踪基准，TSFMO不仅推动了跟踪算法在复杂动态环境中的性能评估，也为体育分析与自动化裁判系统的发展提供了关键数据支撑。

当前挑战

TSFMO数据集所针对的小尺寸高速运动物体跟踪任务面临多重挑战。在领域问题层面，目标物体尺寸极小且运动速度极快，导致其表观特征信息匮乏，难以与复杂背景区分；同时高速运动引发的运动模糊与方向突变进一步增加了跟踪的不确定性。在数据集构建过程中，研究团队需克服数据采集与标注的困难：体育视频中的目标物体往往具有规则几何形状与单一纹理，易被误判为背景部分；此外，高速运动导致的图像模糊与短暂遮挡现象，要求标注过程具备极高的精确度与一致性。这些挑战共同凸显了开发专用跟踪算法的紧迫性，也体现了TSFMO在推动该领域技术突破方面的重要价值。

常用场景

经典使用场景

在计算机视觉领域，目标跟踪技术已广泛应用于通用场景，然而针对小尺寸高速运动物体的追踪仍面临严峻挑战。TSFMO数据集专为这一细分任务设计，其经典使用场景聚焦于体育赛事中的高速运动物体跟踪，例如乒乓球、羽毛球、高尔夫球等小型球类在比赛过程中的轨迹捕捉。该数据集通过精心标注的边界框，为算法提供了在复杂动态背景下追踪微小且快速位移目标的标准测试平台，推动了跟踪技术向更精细、更快速的方向演进。

解决学术问题

TSFMO数据集主要解决了视觉跟踪研究中长期被忽视的小尺寸高速运动物体追踪难题。传统跟踪算法在处理目标尺寸极小、运动速度极快、且常伴有运动模糊和低分辨率等复杂情况时表现不佳，该数据集通过提供大量真实体育场景序列，明确了此类任务的技术瓶颈。其意义在于填补了专用基准数据的空白，促使研究者重新审视跟踪模型的泛化能力和特征表示机制，为开发更鲁棒、更精准的专用跟踪算法奠定了实证基础。

衍生相关工作

TSFMO数据集的发布催生了一系列针对小尺寸高速运动物体跟踪的创新研究。以数据集论文中提出的S-KeepTrack为起点，后续工作多在特征融合、运动建模与实时性优化等方面展开探索。例如，基于多尺度特征增强的跟踪架构、结合时序上下文信息的Transformer改进模型，以及轻量化网络设计等方向均受其启发。这些衍生研究不仅提升了在TSFMO上的性能，也推动了通用目标跟踪算法在极端场景下的适应性与鲁棒性进步。