syhao777/DIVOTrack

DIVOTrack是一个用于跨视角多目标跟踪的新数据集，旨在解决现有数据集在真实场景、多样性、轨迹数量、静态摄像头和标准基准等方面的不足。数据集包含10个不同的真实场景，使用3个移动摄像头捕捉，并提供了953个跨视角轨迹。此外，还介绍了一个名为CrossMOT的基线方法，该方法采用统一的联合检测和跨视角跟踪框架。数据集的结构、下载方式、引用格式和联系方式也在README中有所描述。DIVOTrack is a novel dataset for cross-view multi-object tracking, which aims to address the shortcomings of existing datasets in real-world scenarios, diversity, number of trajectories, static cameras and standard benchmarks. The dataset contains 10 distinct real-world scenes captured by 3 moving cameras, and provides 953 cross-view trajectories. In addition, a baseline method named CrossMOT is introduced, which adopts a unified joint detection and cross-view tracking framework. The dataset structure, download method, citation format and contact information are also described in the README.

原始信息汇总

DIVOTrack 数据集概述

摘要

DIVOTrack 是一个新的跨视图多目标跟踪数据集，适用于多样化的开放场景。该数据集包含10个不同的真实世界场景和953个跨视图轨迹，超越了目前所有可用的跨视图多目标跟踪数据集。此外，DIVOTrack 提供了一个新的基线跨视图跟踪方法，名为 CrossMOT，该方法采用统一的联合检测和跨视图跟踪框架，学习对象检测、单视图关联和跨视图匹配。

数据集描述

场景和摄像机

数据集包含10个不同的真实世界场景，分别命名为：Circle, Shop, Moving, Park, Ground, Gate1, Floor, Side, Square, Gate2。所有序列由3个移动摄像机捕获：View1, View2, View3，并手动同步。

数据集结构

数据集的结构如下：

DIVOTrack └─────datasets └─────DIVO ├───images │ ├───annotations │ ├───dets │ ├───train │ └───test ├───labels_with_ids │ ├───train │ └───test ├───ReID_format │ ├───bounding_box_test │ ├───bounding_box_train │ └───query └───boxes.json

数据集下载

整个数据集需要使用密码解压。在向我们发送许可证后，您可以在其文件夹中解压每个 .zip 文件。

引用

使用此数据集及其相关软件的任何用途均构成您接受本协议条款。通过使用数据集及其相关软件，您同意在任何使用该数据集的出版物中引用作者的论文，格式如下：

@article{wangdivotrack, title={DIVOTrack: A Novel Dataset and Baseline Method for Cross-View Multi-Object Tracking in DIVerse Open Scenes}, author={Shenghao Hao, Peiyuan Liu, Yibing Zhan, Kaixun Jin, Zuozhu Liu, Mingli Song, Jenq-Neng Hwang, Gaoang Wang}, journal={arXiv preprint arXiv:2302.07676}, year={2023} }

联系

如有任何疑问，请联系 [e-mail]。

搜集汇总

数据集介绍

构建方式

DIVOTrack数据集的构建，是在现实世界中的十个不同场景（如圆形区域、商店、公园等）中，使用三个移动摄像机（View1、View2、View3）进行数据采集。这些场景和摄像机视角均经过人工同步，确保了数据的一致性和准确性。数据集包含了953个跨视图跟踪轨迹，提供了丰富的跟踪对象和场景，为研究提供了全面的样本基础。

特点

DIVOTrack数据集的特点在于其场景的多样性和真实性，覆盖了多种现实环境中的开放场景，并且拥有比现有数据集更多的跟踪轨迹。此外，该数据集提供了标准的基准测试，使得不同跨视图跟踪方法的比较更加公平和全面。数据集的结构清晰，包含了图像、注释、检测框、标签和跟踪格式等丰富的信息，便于研究人员进行多种类型的数据分析和模型训练。

使用方法

使用DIVOTrack数据集，研究人员首先需要与数据集的提供者联系获取解压密码，以解压下载的数据集。数据集包含训练集和测试集，每个集都包含了相应的图像、注释和标签等文件。用户可以根据自己的研究需求，使用这些数据进行模型训练、验证和测试。此外，使用该数据集的研究成果在发表时需要引用相关论文，以符合数据使用的许可协议。

背景与挑战

背景概述

DIVOTrack数据集是在计算机视觉与多目标跟踪领域的一项重要研究成果，由Shenghao Hao等研究人员于2023年提出。该数据集针对现有跨视角多目标跟踪数据集存在的不足，如缺乏真实世界场景、场景多样性不足、轨迹数量有限等问题，进行了全面优化。DIVOTrack数据集包含了10种不同现实世界场景，采用3个移动相机进行拍摄，并提供了953条跨视角轨迹，为相关领域的研究提供了丰富而真实的研究素材，对推动跨视角多目标跟踪技术的发展起到了积极作用。

当前挑战

DIVOTrack数据集在构建过程中面临的挑战主要包括：如何在多样的开放场景中保持轨迹的连续性与准确性，以及如何处理移动相机带来的视角变化问题。此外，数据集的构建还需克服场景多样性的捕捉、大量轨迹的标注、以及跨视角匹配的准确性等难题。针对这些挑战，研究者们提出了一种新颖的基线方法CrossMOT，该方法在一个统一的联合检测与跟踪框架下，实现了对象检测、单视角关联与跨视角匹配的学习。

常用场景

经典使用场景

在计算机视觉领域，交叉视角多目标跟踪技术是研究的热点之一。DIVOTrack数据集以其丰富的场景和细致的标注，为该领域提供了一个全新的研究和测试平台。该数据集最经典的使用场景在于，其通过三个移动相机捕捉的十个不同现实世界场景，实现了对行人密集区域的高效跟踪，特别是在处理视角转换时的目标关联和匹配问题。

解决学术问题

DIVOTrack数据集解决了现有数据集在真实场景覆盖、场景多样性、跟踪轨迹数量、相机类型以及标准基准方面存在的不足。其提供了丰富的场景和大量的跟踪轨迹，使得研究者能够更全面地评估和比较交叉视角跟踪方法的性能，推动了该领域技术的进步。

衍生相关工作

基于DIVOTrack数据集，已经衍生出了一系列相关工作，包括但不限于CrossMOT这一统一联合检测与交叉视角跟踪框架。这些工作不仅提升了跟踪算法的精度和效率，也为交叉视角多目标跟踪领域带来了新的研究方向和思考视角。