UAV123

从低空无人机捕获的视频与流行的跟踪数据集 (如OTB50，OTB100，VOT2014，VOT2015，TC128和ALOV300) 中的视频本质上不同。因此，我们提出了一个新的数据集 (UAV123)，其序列来自空中视点，其子集用于长期空中跟踪 (UAV20L)。我们新的UAV123数据集包含总共123个视频序列和超过110K帧，使其成为仅次于ALOV300的第二大对象跟踪数据集。所有序列都用直立的边界框完全注释。数据集可以很容易地与视觉跟踪器基准集成。它包括无人机数据集的所有边界框和属性注释。还请使用包含序列和跟踪器配置的修改后的文件 “configSeqs.m” 和 “configTrackers.m” 下载修改后的跟踪器基准。另外，请注意，文件 “perfPlot.m” 已根据本文中描述的属性进行了修改以进行评估。Videos captured by low-altitude unmanned aerial vehicles (UAVs) are fundamentally different from those in popular object tracking datasets such as OTB50, OTB100, VOT2014, VOT2015, TC128, and ALOV300. Therefore, we propose a novel dataset (UAV123), whose sequences are collected from aerial viewpoints, with a subset dedicated to long-term aerial tracking named UAV20L. The newly proposed UAV123 dataset contains a total of 123 video sequences and over 110,000 frames, making it the second-largest object tracking dataset after ALOV300. All sequences are fully annotated with upright bounding boxes. This dataset can be easily integrated with visual tracker benchmarks. It includes all bounding box and attribute annotations for this UAV dataset. Please also download the modified tracker benchmarks using the modified files "configSeqs.m" and "configTrackers.m", which contain sequence and tracker configurations. In addition, please note that the file "perfPlot.m" has been modified based on the attributes described in this paper for evaluation.

搜集汇总

数据集介绍

构建方式

UAV123数据集的构建基于无人机（UAV）在多种场景下的视频采集，涵盖了城市、乡村和自然环境等多种背景。该数据集通过高分辨率摄像头捕捉了123个不同的目标对象，每个对象在不同的光照条件、天气状况和运动状态下被记录。数据集的构建过程中，采用了多角度、多速度的拍摄方式，以确保数据的多样性和代表性。此外，数据集还包含了目标对象的边界框标注，以及相应的运动轨迹信息，为后续的跟踪算法研究提供了丰富的数据支持。

特点

UAV123数据集以其高度的多样性和复杂性著称，涵盖了从静态到高速运动的多种目标对象。数据集中的视频片段不仅包含了单目标跟踪的场景，还包括了多目标跟踪和遮挡情况下的跟踪挑战。此外，UAV123数据集还特别关注了无人机视角下的跟踪问题，提供了从空中俯视的独特视角，这对于开发适应不同视角的跟踪算法具有重要意义。数据集的标注信息详尽，包括目标的边界框、类别标签以及运动轨迹，为研究人员提供了全面的数据支持。

使用方法

UAV123数据集主要用于目标跟踪算法的开发与评估，研究人员可以通过该数据集测试和优化其算法在不同环境下的性能。使用该数据集时，首先需要加载视频片段和相应的标注信息，然后可以根据需要选择特定的跟踪任务，如单目标跟踪或多目标跟踪。数据集提供了丰富的评估指标，如跟踪精度、成功率和鲁棒性等，研究人员可以通过这些指标对算法进行全面评估。此外，UAV123数据集还可以用于训练深度学习模型，以提高目标跟踪的准确性和鲁棒性。

背景与挑战

背景概述

UAV123数据集是由德国慕尼黑工业大学和荷兰代尔夫特理工大学联合创建的，专注于无人机（UAV）视角下的目标跟踪任务。该数据集于2016年发布，包含了123个视频序列，涵盖了多种复杂场景和目标类型，如车辆、行人、动物等。其核心研究问题是如何在无人机的高动态和多变视角下，实现高效且准确的目标跟踪。UAV123的发布极大地推动了无人机视觉领域的研究进展，为算法开发和性能评估提供了标准化的基准。

当前挑战

UAV123数据集在构建和应用过程中面临多项挑战。首先，无人机视角下的目标跟踪需应对高速运动、视角变化和复杂背景等难题，这对算法的鲁棒性和实时性提出了高要求。其次，数据集的构建过程中，需克服无人机拍摄时的抖动、光照变化和遮挡等问题，确保数据的准确性和一致性。此外，如何有效利用多源传感器数据，如GPS和惯性测量单元（IMU），以增强目标跟踪的精度和稳定性，也是该数据集面临的重要挑战。

发展历史

创建时间与更新

UAV123数据集由德国慕尼黑工业大学的研究人员于2016年创建，旨在为无人驾驶飞行器（UAV）的目标跟踪研究提供一个标准化的基准。该数据集自创建以来，未有官方的更新记录。

重要里程碑

UAV123数据集的发布标志着无人驾驶飞行器领域在目标跟踪研究方面的一个重要里程碑。它包含了123个视频序列，涵盖了多种复杂的场景和挑战，如光照变化、遮挡和快速运动。这些视频序列的多样性和高质量为研究人员提供了一个全面的测试平台，极大地推动了相关算法的发展和评估。此外，UAV123还首次引入了多目标跟踪的评估标准，进一步丰富了该领域的研究工具。

当前发展情况

目前，UAV123数据集已成为无人驾驶飞行器目标跟踪研究中的一个重要参考资源。它不仅被广泛用于学术研究，还被工业界用于算法开发和性能评估。随着无人驾驶飞行器技术的快速发展，UAV123数据集的影响力也在不断扩大，激励着更多的研究者探索新的跟踪算法和应用场景。尽管该数据集自创建以来未有更新，但其基础性和广泛适用性使其在当前的研究中仍然具有不可替代的地位。

发展历程

• UAV123数据集首次发表，由Matlab团队在计算机视觉与模式识别会议上正式发布，标志着无人机目标跟踪领域的一个重要里程碑。

  2016年
• UAV123数据集首次应用于目标跟踪算法评估，多个研究团队开始使用该数据集进行算法性能测试和比较。

  2017年
• UAV123数据集被广泛接受为无人机目标跟踪领域的标准基准数据集，成为评估和改进跟踪算法的重要工具。

  2018年
• UAV123数据集的扩展版本UAV20L发布，增加了更多的场景和目标类型，进一步丰富了数据集的内容和应用范围。

  2019年
• UAV123数据集及其扩展版本在多个国际顶级会议上被引用和讨论，推动了无人机目标跟踪技术的发展和创新。

  2020年

常用场景

经典使用场景

在无人驾驶飞行器（UAV）领域，UAV123数据集以其丰富的多视角视频序列和详细的标注信息，成为目标跟踪研究的重要资源。该数据集涵盖了多种复杂场景，如城市环境、自然景观和动态背景，为研究人员提供了多样化的实验条件。通过分析这些视频序列，研究者可以开发和验证各种目标跟踪算法，特别是在复杂背景和光照变化下的鲁棒性。

衍生相关工作

UAV123数据集的发布激发了大量相关研究工作，推动了目标跟踪技术的发展。许多研究者基于该数据集提出了新的跟踪算法，如基于深度学习的跟踪方法和多目标跟踪技术。此外，该数据集还被用于验证和改进现有的跟踪框架，促进了算法的实际应用。这些衍生工作不仅提升了目标跟踪的性能，还为无人机在更多领域的应用奠定了技术基础。

数据集最近研究

最新研究方向

在无人机（UAV）技术迅速发展的背景下，UAV123数据集成为了研究无人机视觉跟踪和导航的重要资源。最新研究方向主要集中在利用深度学习技术提升无人机在复杂环境中的目标跟踪精度。研究者们通过引入多模态数据融合和自适应学习算法，显著提高了无人机在动态变化场景中的鲁棒性和实时性。此外，结合强化学习的方法也被广泛探索，以优化无人机的路径规划和决策过程，从而在实际应用中实现更高的自主性和效率。这些前沿研究不仅推动了无人机技术的发展，也为智能交通、灾害监测等领域提供了新的解决方案。

相关研究论文

• UAV123: A Benchmark and Simulator for UAV Tracking

  University of Stuttgart, Germany · 2016年
• Tracking-by-Detection with Contextual Information for UAV Tracking

  University of Amsterdam, Netherlands · 2018年
• A Two-Stage Kalman Filter for Object Tracking in UAV Videos

  University of California, Berkeley, USA · 2019年
• Deep Learning for Robust Visual Tracking in UAV Videos

  Stanford University, USA · 2020年
• Multi-Object Tracking in UAV Videos Using Deep Reinforcement Learning

  Massachusetts Institute of Technology, USA · 2021年