DIVOTrack

DIVOTrack是由浙江大学-伊利诺伊大学厄巴纳-香槟分校联合学院创建的一个新型跨视角多目标跟踪数据集，专注于多样化的开放场景。该数据集包含15个不同的真实世界场景，共有953个跨视角跟踪轨迹，远超现有同类数据集。DIVOTrack通过使用移动摄像头捕捉数据，支持在社区中进行移动摄像头的跨视角跟踪研究。此外，数据集还提供了丰富的ID和轨迹，专注于拥挤场景，旨在解决现有数据集在真实性和多样性方面的不足，为跨视角跟踪方法的研究和比较提供了一个标准化的基准。

DIVOTrack is a novel cross-view multi-object tracking dataset developed by the Joint Institute of Zhejiang University and the University of Illinois Urbana-Champaign, focusing on diverse open-world scenarios. This dataset encompasses 15 distinct real-world scenarios, with a total of 953 cross-view tracking trajectories, which far exceeds the scale of existing comparable datasets. DIVOTrack collects data using mobile cameras, enabling cross-view tracking research with mobile cameras in community settings. Furthermore, the dataset provides abundant IDs and tracking trajectories, with a focus on crowded scenes, aiming to address the shortcomings of existing datasets in terms of authenticity and diversity, and offering a standardized benchmark for the research and comparative evaluation of cross-view tracking methods.

搜集汇总

数据集介绍

构建方式

DIVOTrack数据集的构建旨在克服现有跨视角多目标跟踪数据集的不足，包括缺乏真实世界场景、场景多样性不足、跟踪轨迹数量有限、仅包含静态摄像头以及缺乏标准基准等问题。该数据集包含15个独特的场景和953条跨视角轨迹，是目前可用的跨视角多目标跟踪数据集中规模最大的。数据集的视频录制在真实世界的环境下进行，包含预先选定的演员和大量无意参与者。数据集提供多样化的场景，包括户外和室内场景，如街道、购物中心、建筑、广场和公共基础设施。此外，DIVOTrack提供大量的ID和跟踪数据，重点关注拥挤的环境。数据集的视频录制使用广泛移动的摄像头，这使得研究移动摄像头下的跨视角跟踪算法成为可能。

使用方法

使用DIVOTrack数据集的方法主要包括数据预处理、模型训练和性能评估。数据预处理包括视频同步、帧率降采样和人脸马赛克处理等步骤。模型训练包括使用预训练的单视角跟踪器进行初始化、单视角修正和跨视角匹配等步骤。性能评估包括使用标准化的评估指标，如ID F1测量、高阶跟踪精度、多目标跟踪精度、多目标跟踪准确率、主要跟踪目标、主要丢失目标、关联准确率、片段和身份切换等指标。此外，DIVOTrack还提供了一套标准化的基准，方便研究人员进行跨视角跟踪方法的比较和评估。

背景与挑战

背景概述

跨视图多目标跟踪（Cross-view Multi-Object Tracking）是计算机视觉领域的一个重要研究方向，旨在通过多视角的同步视频流来关联和跟踪场景中的多个目标。这一领域的研究对于智能监控、自动驾驶、人机交互等领域具有重要的应用价值。DIVOTrack数据集的创建，旨在解决现有跨视图多目标跟踪数据集中存在的现实场景缺失、场景多样性不足、轨迹数量有限、相机静态以及缺乏标准基准等问题。该数据集由浙江大学、京东探索学院、华盛顿大学等机构的研究人员于2021年共同创建，包含了15个不同的现实场景，以及953个跨视图轨迹，是目前为止最大的跨视图多目标跟踪数据集。DIVOTrack数据集的创建，为跨视图多目标跟踪领域的研究提供了宝贵的数据资源，推动了该领域的技术发展。

当前挑战

DIVOTrack数据集的创建，虽然解决了现有数据集中的一些问题，但也面临一些挑战。首先，跨视图多目标跟踪领域的研究仍面临数据收集的挑战，尤其是在现实场景中的数据收集。其次，跨视图多目标跟踪的算法设计也是一个挑战，如何在多视角的情况下准确地关联和跟踪目标，需要进一步的研究。此外，DIVOTrack数据集的创建，也面临着隐私保护的挑战，如何在保证数据质量的同时，保护数据中人物的隐私，是一个需要考虑的问题。最后，DIVOTrack数据集的创建，也为跨视图多目标跟踪领域的研究提供了一个新的标准基准，如何在这个基准上评估和比较不同的算法，也是一个需要解决的问题。

常用场景

经典使用场景

DIVOTrack数据集作为跨视角多目标跟踪任务的训练和测试平台，广泛应用于评估和提升多视角下物体跟踪算法的性能。通过提供真实的开放场景和丰富的跨视角跟踪轨迹，DIVOTrack支持研究者在多样化的环境中测试算法的有效性和鲁棒性。该数据集特别适用于训练能够处理动态场景和移动摄像头的跨视角跟踪模型，为现实世界中的智能监控、多智能体感知和智能等应用提供了数据基础。

解决学术问题

DIVOTrack数据集解决了现有跨视角多目标跟踪数据集的几个关键问题，包括缺乏现实世界场景、场景多样性不足、轨迹数量有限、摄像头静态以及缺乏标准基准。这些问题的存在阻碍了跨视角跟踪方法的深入研究和比较。DIVOTrack数据集的提出，为跨视角跟踪研究提供了更为丰富和真实的数据基础，推动了算法的进步和性能的提升，为相关领域的研究提供了有力的支持。

实际应用

DIVOTrack数据集的实际应用场景广泛，包括但不限于智能监控、多智能体感知和智能等。在智能监控领域，DIVOTrack可以帮助开发更为精准的跨视角跟踪算法，提升监控系统的效率和准确性。在多智能体感知和智能领域，DIVOTrack可以用于训练多智能体之间的协作跟踪能力，提升多智能体系统的感知和决策能力。此外，DIVOTrack还可以用于无人驾驶、机器人导航等领域，提升这些系统的环境感知和目标跟踪能力。

数据集最近研究

最新研究方向

在计算机视觉领域，跨视角多目标跟踪（Cross-view Multi-Object Tracking, MOT）旨在将不同帧和相机视角中的对象进行关联。DIVOTrack数据集的提出，填补了现有数据集在真实世界场景、场景多样性、轨迹数量、静态相机限制和标准基准方面的不足。该数据集包含15种不同的场景和953条跨视角轨迹，为研究跨视角跟踪方法提供了丰富的数据资源。此外，DIVOTrack还提供了一个名为CrossMOT的基准跨视角跟踪方法，该方法采用统一的联合检测和跨视角跟踪框架，并使用一种通用的嵌入模型来学习对象检测、单视角关联和跨视角匹配。DIVOTrack的提出不仅为跨视角MOT研究提供了高质量的数据集，还推动了跨视角跟踪方法的标准化评估，有助于深入分析现有方法并探索新的研究路径。

相关研究论文

• DIVOTrack: A Novel Dataset and Baseline Method for Cross-View Multi-Object Tracking in DIVerse Open Scenes

  浙江大学-伊利诺伊大学厄巴纳-香槟分校联合学院 · 2023年