DiDi

DiDi是一个distractor-distilled的跟踪数据集，旨在解决当前视觉对象跟踪基准中distractor存在率低的问题。为了增强在distractor存在情况下的跟踪性能评估和分析，我们通过半自动方式将多个现有基准提炼成DiDi数据集。

DiDi is a distractor-distilled tracking dataset aimed at addressing the problem of low distractor prevalence in current visual object tracking benchmarks. To enhance the evaluation and analysis of tracking performance in scenarios with distractors, we distilled multiple existing benchmarks into the DiDi dataset via a semi-automatic approach.

原始信息汇总

DiDi: A distractor-distilled dataset

概述

DiDi是一个用于视觉对象跟踪的干扰物提炼数据集，旨在解决当前视觉对象跟踪基准中干扰物存在较少的问题。通过半自动化的方式，我们从多个现有基准中提炼出DiDi数据集，以增强在干扰物存在情况下的跟踪性能评估和分析。

数据集特点

• 目标：解决当前基准中干扰物存在较少的问题。
• 创建方式：通过半自动化的方式从多个现有基准中提炼。
• 应用场景：用于评估和分析在干扰物存在情况下的跟踪性能。

示例

<div align="center"> <i>示例帧展示了DiDi数据集中具有挑战性的干扰物。目标由绿色边界框表示。</i> </div>

实验结果

以下是不同模型在DiDi数据集上的性能表现：

模型	质量	准确性	鲁棒性
TransT	0.465	0.669	0.678
KeepTrack	0.502	0.646	0.748
SeqTrack	0.529	0.714	0.718
AQATrack	0.535	0.693	0.753
AOT	0.541	0.622	0.852
Cutie	0.575	0.704	0.776
ODTrack	0.608	0.740 :1st_place_medal:	0.809
SAM2.1Long	0.646	0.719	0.883
SAM2.1	0.649 :3rd_place_medal:	0.720	0.887 :3rd_place_medal:
SAMURAI	0.680 :2nd_place_medal:	0.722 :3rd_place_medal:	0.930 :2nd_place_medal:
SAM2.1++ (ours)	0.694 :1st_place_medal:	0.727 :2nd_place_medal:	0.944 :1st_place_medal:

数据集可用性

DiDi数据集将很快提供下载。

搜集汇总

数据集介绍

构建方式

在视觉对象跟踪领域，现有的基准数据集在干扰物存在方面存在显著局限。为解决这一问题，DiDi数据集通过半自动化的方式，从多个现有基准中提炼出具有挑战性的干扰物场景，从而构建而成。这种构建方式不仅增强了数据集的多样性和复杂性，还为评估和分析跟踪算法在干扰环境下的性能提供了更为丰富的资源。

特点

DiDi数据集的核心特点在于其高度聚焦于干扰物的存在，这使得该数据集在评估跟踪算法的鲁棒性方面具有独特优势。此外，数据集中的样本经过精心挑选和处理，确保了每个场景都包含多种干扰因素，从而能够更全面地反映算法在实际应用中的表现。这种设计使得DiDi成为研究干扰感知记忆和跟踪策略的理想平台。

使用方法

DiDi数据集的下载和使用将很快开放，用户可以通过提供的链接获取数据集。在使用过程中，建议结合VOT工具包进行算法集成和性能评估。数据集中的每个样本都附有详细的标注信息，包括目标对象的边界框和干扰物的位置信息，这为算法的训练和测试提供了便利。通过在DiDi数据集上的实验，研究者可以更准确地评估和改进其跟踪算法的干扰处理能力。

背景与挑战

背景概述

DiDi数据集由Jovana Videnović、Alan Lukežič和Matej Kristan在卢布尔雅那大学计算机与信息科学学院创建，旨在解决当前视觉对象跟踪基准中干扰物存在不足的问题。该数据集通过半自动方式从现有基准中提取，以增强在干扰物存在情况下的跟踪性能评估和分析。DiDi数据集的提出，标志着在视觉对象跟踪领域对干扰物问题研究的重要进展，为后续研究提供了新的基准和挑战。

当前挑战

DiDi数据集的主要挑战在于其设计目的，即解决现有视觉对象跟踪基准中干扰物不足的问题。构建过程中，研究团队面临如何从大量现有数据中有效提取和筛选出具有代表性的干扰物场景的难题。此外，如何在保持数据集规模和多样性的同时，确保干扰物的复杂性和挑战性，也是该数据集构建过程中的重要挑战。这些挑战不仅推动了数据集的精细化设计，也为后续算法在复杂环境下的性能评估提供了更为严格的基准。

常用场景

经典使用场景

在视觉对象跟踪领域，DiDi数据集因其专注于干扰物（distractors）的特性而备受瞩目。该数据集通过半自动化的方式从现有基准中提炼出具有挑战性的干扰物场景，为研究人员提供了一个理想的环境来测试和提升跟踪算法的鲁棒性。DiDi数据集的经典使用场景包括但不限于：评估跟踪算法在复杂背景下的表现，分析干扰物对跟踪精度的影响，以及开发和验证新的干扰物感知记忆机制。

衍生相关工作

DiDi数据集的发布催生了多项相关研究工作，推动了视觉对象跟踪领域的技术进步。例如，基于DiDi数据集的研究，开发出了SAM2.1++等新型跟踪算法，这些算法在多个基准测试中表现出色，显著提升了跟踪的准确性和鲁棒性。此外，DiDi数据集还激发了对干扰物感知记忆机制的深入研究，为跟踪算法的设计和优化提供了新的思路。这些衍生工作不仅丰富了学术研究，也为实际应用提供了强有力的技术支持。

数据集最近研究

最新研究方向

在视觉对象跟踪领域，DiDi数据集的引入标志着对复杂环境中干扰物处理能力的显著提升。该数据集通过半自动化的方式从现有基准中提炼出具有挑战性的干扰场景，旨在更精确地评估和分析跟踪算法在干扰环境中的表现。最新研究方向聚焦于开发和优化基于记忆的跟踪器，如SAM2.1++，其在DiDi数据集上的表现达到了新的技术高度，显著提升了跟踪的鲁棒性和准确性。这一进展不仅推动了视觉跟踪技术的边界，也为实际应用中的复杂场景提供了更可靠的解决方案。