Performance Evaluation Methodology for Long-Term Visual Object Tracking 阅读笔记

跟踪算法分类

ST0（短时跟踪器）：每帧输出位置，不检测遮挡

ST1（保守更新短时跟踪器）：每帧输出位置，依据跟踪置信度判别机制更新目标模型

LT0（伪长时跟踪器）：确定目标可见时才输出位置，有检测跟踪失败的机制，但没有显式实现目标重检测

LT1（带有重检测的长时跟踪器）：确定目标可见时才输出位置，有检测跟踪失败的机制，显式实现目标重检测

长时跟踪评价指标

已知分类阈值${\tau }_{\theta }$和重叠度阈值${\tau }_{\Omega }$，准确率和召回率可以定义为

分类阈值是指如果输出置信度${\theta }_t<{\tau }_{\theta }$，则跟踪器输出为空，$A_t({\tau }_{\theta })=\varnothing$
$$\begin{gathered} Pr({\tau }_{\theta },{\tau }_{\Omega })=|\{t:\Omega (A_t({\tau }_{\theta }),G_t)\ge {\tau }_{\Omega }\}|/N_p, \\ Re({\tau }_{\theta },{\tau }_{\Omega })=|\{t:\Omega (A_t({\tau }_{\theta }),G_t)\ge {\tau }_{\Omega }\}|/N_g \end{gathered}$$
但是，预定义的阈值无法准确反映跟踪器是否失败，为消除阈值影响，将准确率和召回率对${\tau }_{\Omega }$进行积分。另外，可以证明，一系列阈值下成功率的平均等于平均重叠率。
$$\begin{gathered} Pr({\tau }_{\theta })={\int }_0^{1}Pr({\tau }_{\theta },{\tau }_{\Omega })d{\tau }_{\Omega } \\ =\frac{1}{N_p}\sum _{t\in \{t:A_t({\tau }_{\theta })\ne \varnothing \}}\Omega (A_t({\tau }_{\theta }),G_t) \end{gathered}$$

$$\begin{gathered} Re({\tau }_{\theta })={\int }_0^{1}Re({\tau }_{\theta },{\tau }_{\Omega })d{\tau }_{\Omega } \\ =\frac{1}{N_g}\sum _{t\in \{t:G_t\ne \varnothing \}}\Omega (A_t({\tau }_{\theta }),G_t) \end{gathered}$$

分别称为跟踪准确率（tracking precision）和跟踪召回率（tracking recall），定义跟踪F-指标
$$F({\tau }_{\theta })=2Pr({\tau }_{\theta })Re({\tau }_{\theta })/(Pr({\tau }_{\theta })+Re({\tau }_{\theta }))$$