SportsMOT

SportsMOT是一个大规模的多目标跟踪数据集，专注于多种体育场景中的球员跟踪。该数据集由南京大学软件新技术国家重点实验室创建，包含240个视频序列，超过15万帧和160万个边界框，覆盖篮球、排球和足球三种体育类别。数据集的特点是快速和变速运动以及相似但可区分的外观。创建过程中，通过手动检查确保视频质量，并使用定制的标注工具进行精细标注。SportsMOT旨在推动多目标跟踪技术在体育分析中的应用，特别是在球员统计和战术分析方面。

SportsMOT is a large-scale multi-object tracking dataset dedicated to player tracking across various sports scenarios. It was developed by the State Key Laboratory for Novel Software Technology at Nanjing University, and comprises 240 video sequences, over 150,000 frames and 1.6 million bounding boxes, covering three sports categories: basketball, volleyball and football. The dataset is characterized by fast and variable-speed movements, as well as visually similar yet distinguishable player appearances. During the dataset construction, video quality was manually inspected, and fine-grained annotations were performed using a custom-built annotation tool. SportsMOT aims to promote the application of multi-object tracking technologies in sports analysis, especially for player statistics and tactical analysis.

搜集汇总

数据集介绍

构建方式

SportsMOT数据集的构建方式是通过收集来自篮球、排球和足球三种运动场景的高质量专业比赛视频，共240个视频序列，超过150K帧和1.6M个边界框。为了确保数据集的质量和实用性，研究人员对每个视频片段进行了人工检查，确保没有突然的视角切换。此外，研究人员开发了一个定制的标注工具和相应的操作手册，以帮助标注人员准确地标注运动员的边界框和ID。在标注过程中，标注工具会自动分配一个唯一的ID给每个新对象，并将前一个状态的边界框传播到当前状态，以提高标注质量。

特点

SportsMOT数据集具有两个关键特点：1) 快速且变速的运动；2) 相似但可区分的外观。在SportsMOT中，运动员通常以高速运动，并且经常改变他们的跑步速度，这构成了现有基于运动的关联方法的障碍。此外，由于运动员穿着相似的球衣并且经常因为快速相机运动或目标运动而模糊，他们的外观相似但可区分。因此，SportsMOT鼓励追踪器在基于运动的关联和基于外观的关联方面都有所提升。

使用方法

SportsMOT数据集可以用于评估和改进多目标追踪算法，特别是针对体育场景。研究人员可以在这个数据集上训练和测试他们的追踪器，并使用提供的评估指标来衡量其性能。此外，SportsMOT数据集还可以用于开发新的追踪算法，以满足体育分析的需求。例如，研究人员可以使用这个数据集来训练一个专门用于体育场景的检测器，或者开发一个新的基于外观的关联模型。

背景与挑战

背景概述

SportsMOT数据集的创建旨在填补多目标跟踪在体育场景中的应用空白。该数据集由南京大学的新型软件技术国家重点实验室的研究团队于2023年提出，旨在收集球员统计数据，并支持进一步的分析，如自动战术分析。SportsMOT包含240个视频序列，超过15万个帧（几乎是MOT17的15倍）和超过160万个边界框（是MOT17的3倍），涵盖了篮球、排球和足球三个运动类别。该数据集具有两个关键特性：1）快速且速度变化不定的运动；2）相似但可区分的外观。SportsMOT的创建对于推动多目标跟踪在体育场景中的应用具有重要意义，为相关领域的研究提供了宝贵的资源。

当前挑战

SportsMOT数据集面临着一些挑战，主要体现在对象关联方面。首先，与MOT17和DanceTrack等其他数据集相比，SportsMOT中的对象具有更快速且速度变化不定的运动，这给基于运动模型的关联带来了困难。其次，SportsMOT中的对象外观相似但可区分，这要求外观模型能够提取更多具有区分度和广泛性的表示。为了解决这些挑战，研究团队提出了一个新的多目标跟踪框架MixSort，引入了MixFormer-like结构作为辅助关联模型，以提升跟踪性能。通过将定制的基于外观的关联与原始的基于运动的关联相结合，MixSort在SportsMOT和MOT17上取得了最先进的性能。

常用场景

经典使用场景

SportsMOT 数据集的构建旨在推动多目标跟踪算法在体育场景中的应用。该数据集提供了来自篮球、排球和足球三个体育类别的大量视频序列，共计240个视频，超过150K帧和超过1.6M个边界框。这些视频序列的特点是快速且速度多变，以及运动员外观相似但可区分。这使得 SportsMOT 成为评估和改进多目标跟踪算法的理想平台。

衍生相关工作

SportsMOT 数据集衍生了多项相关工作。其中最经典的工作是 MixSort，这是一种新的多目标跟踪框架，它通过引入 MixFormer-like 结构作为外观关联模型来提高跟踪-by-detection 跟踪器的性能。MixSort 在 SportsMOT 和 MOT17 基准测试中取得了最先进的性能。此外，SportsMOT 还激发了其他相关研究，例如使用 Transformer 等深度学习模型来提高多目标跟踪算法的性能。

数据集最近研究

最新研究方向

SportsMOT数据集在多对象跟踪领域的前沿研究方向主要集中在两个关键特性上：快速且变化速度的运动以及相似但可区分的外观。这种特性要求算法在基于运动和基于外观的关联方面都有所提升。最新的研究通过引入MixSort框架，该框架结合了运动模型和MixFormer-like结构，显著提高了在SportsMOT和MOT17基准上的关联性能。这项工作不仅提供了一个具有挑战性的数据集，还推动了算法在处理复杂运动和相似外观对象时的性能提升。此外，通过对比分析SportsMOT与其他数据集，如MOT17、DanceTrack和SoccerNet，研究人员揭示了SportsMOT在对象关联方面的挑战性，并强调了在快速度和变化速度运动场景下，基于外观的关联的重要性。这些研究为多对象跟踪技术在体育分析中的应用提供了新的视角和方法，有望促进该领域的发展。

相关研究论文

• SportsMOT: A Large Multi-Object Tracking Dataset in Multiple Sports Scenes

  南京大学软件新技术国家重点实验室 · 2023年