10分钟猪跟踪视频数据集

该数据集由拉瓦尔大学动物科学系创建，包含10分钟内猪的跟踪视频，共21个不确定的实体识别标识。数据集旨在用于长期多目标跟踪，特别是牲畜行业的应用。该数据集的创建过程涉及使用喂食站获取牲畜的实体识别标识，并将其与跟踪算法相结合。数据集的应用领域包括动物行为分析、牲畜管理和视频监控等，旨在解决长期多目标跟踪中目标身份切换和丢失的问题。

This dataset was developed by the Department of Animal Science at Laval University. It contains pig tracking videos spanning a 10-minute period, with a total of 21 uncertain entity recognition identifiers. The dataset is designed for long-term multi-object tracking applications, particularly for use in the livestock industry. The creation process of the dataset involved utilizing feeding stations to acquire entity recognition identifiers for livestock, and integrating these identifiers with tracking algorithms. The application areas of this dataset include animal behavior analysis, livestock management, video surveillance and other related fields, with the goal of resolving the problems of target identity switching and loss encountered in long-term multi-object tracking.

原始信息汇总

数据集概述

数据集名称

Uncertain Identity Aware Tracking

来源会议

CVPR2024 CV4animals workshop

数据集内容

• 数据集位于dataset文件夹内
• 包含猪只追踪相关数据

主要文件

• Bytetrack：包含获取追踪器转移矩阵、添加观测值和执行HMM追踪的代码
• forwardBackward.py：包含执行HMM追踪的代码
• ATQ.py：包含添加标识符信息的代码，可使用喂食器数据或人工生成数据

实验复现

生成访问测试

bash performance_test.py artificial_visits

真实喂食器数据测试

bash performance_test.py feeder

模型基准测试

bash performance_test.py tracker_test

评估指标

• 可通过Bytetrack/MOT_metric_evaluation/tracking_evaluation.ipynb笔记本可视化MOTA、IDF1、切换次数等指标

示例展示

HMM基于追踪框架修复追踪器身份切换的示例（猪只RWID 4818）

搜集汇总

数据集介绍

构建方式

在畜牧监测领域，10分钟猪跟踪视频数据集的构建采用了严谨的多模态数据采集方法。该数据集通过安装在猪舍顶部的4MP分辨率摄像头以25fps帧率持续录制10分钟视频，完整覆盖12.7平方米的猪只活动区域。数据标注团队手动标注了15头猪的关键点（双耳、尾巴、颈部和鼻子），并以此生成最小外接矩形边界框，最终形成包含780个标注帧的精细数据集。特别值得注意的是，数据集还整合了来自饲喂站的21次稀疏身份识别数据，这些识别信息通过RFID技术获取并以概率形式关联到邻近猪只，为身份感知跟踪提供了重要支撑。

特点

该数据集的核心特征体现在其真实场景下的长期多目标跟踪挑战性。视频中15头年龄、体重和外貌相似的猪只呈现出高度动态的行为模式，包括进食、奔跑、社交互动等复杂场景，导致频繁的遮挡和目标外观混淆。数据集首次提供了从饲喂站获取的不确定身份识别信息，这些识别数据在时空维度上呈稀疏分布，且存在因多猪邻近而产生的概率性分配特性。此外，数据集采用关键点标注与边界框相结合的方式，既支持检测跟踪算法，也可用于姿态估计相关的跟踪研究，为算法在真实农业场景中的鲁棒性评估提供了独特价值。

使用方法

该数据集的使用需结合隐马尔可夫模型框架进行身份感知跟踪分析。研究人员首先需加载视频序列和标注数据，利用基础跟踪器（如ByteTrack或FairMOT）生成目标检测结果和帧间关联概率。随后将饲喂站提供的稀疏身份识别信息作为观测值输入HMM模型，通过前向-后向算法计算每个真实身份与检测目标的匹配概率。最终采用匈牙利算法进行最优身份分配，实现长期跟踪中的身份一致性维护。评估时需采用身份感知指标（I-TP、I-FP、I-FN）和Micro-F1分数，重点关注算法在身份切换和不确定识别场景下的性能表现。

背景与挑战

背景概述

2025年由拉瓦尔大学与佛罗里达大西洋大学联合发布的10分钟猪跟踪视频数据集，致力于解决畜牧管理中的长期多目标跟踪难题。该数据集通过天花板安装的4MP摄像头记录15头生长猪的10分钟连续活动，涵盖进食、社交及运动等多种行为模式，并首次引入基于饲喂站RFID的21次稀疏身份识别数据。其核心研究在于突破传统跟踪方法在长时视频中因身份切换导致的性能衰减问题，为动物行为分析与健康监测提供了关键数据支撑。

当前挑战

该数据集针对长时身份感知多目标跟踪领域，需解决相似外观猪只的持续身份关联难题，尤其在遮挡与群体交互场景下身份切换频繁。构建过程中面临双重挑战：一是标注复杂性，需手动标注每头猪的关键点（耳、尾、颈等）并生成边界框，在弯曲姿态下仅能依赖有限可见点；二是身份不确定性，饲喂站提供的识别信息存在空间邻近性导致的分配模糊，需设计概率模型处理稀疏且不确定的身份信号。

常用场景

经典使用场景

在畜牧行为分析领域，10分钟猪跟踪视频数据集为长期多目标跟踪研究提供了关键实验平台。该数据集通过标注的猪只关键点与身份信息，结合喂食站提供的稀疏身份识别数据，支持研究者验证隐马尔可夫模型框架在身份分配与轨迹关联中的有效性，尤其适用于处理遮挡、外观相似性及身份切换等复杂场景。

解决学术问题

该数据集显著解决了长期多目标跟踪中因身份切换导致的性能衰减问题，通过融合不确定身份信息与跟踪算法，提升了身份分配的准确性与鲁棒性。其意义在于为身份感知跟踪提供了可量化评估基准，推动了跨领域跟踪方法在稀疏标识条件下的理论创新与应用扩展。

衍生相关工作

该数据集衍生了基于隐马尔可夫模型的身份感知跟踪框架，并激发了后续研究如ByteTrack与FairMOT的改进版本。相关经典工作包括对不确定身份处理的优化算法、跨域验证（如MOT17/MOT20基准）以及面向实时跟踪的在线推理方法探索，推动了多目标跟踪在稀疏标识场景下的方法论发展。