Performance Evaluation Methodology for Long-Term Visual Object Tracking 閱讀筆記

跟蹤算法分類

ST0（短時跟蹤器）：每幀輸出位置，不檢測遮擋

ST1（保守更新短時跟蹤器）：每幀輸出位置，依據跟蹤置信度判別機制更新目標模型

LT0（僞長時跟蹤器）：確定目標可見時才輸出位置，有檢測跟蹤失敗的機制，但沒有顯式實現目標重檢測

LT1（帶有重檢測的長時跟蹤器）：確定目標可見時才輸出位置，有檢測跟蹤失敗的機制，顯式實現目標重檢測

長時跟蹤評價指標

已知分類閾值$\tau_{\theta}$和重疊度閾值$\tau_{\Omega}$，準確率和召回率可以定義爲

分類閾值是指如果輸出置信度$\theta_t<\tau_{\theta}$，則跟蹤器輸出爲空，$A_t(\tau_{\theta})=\varnothing$
$Pr(\tau_{\theta}, \tau_{\Omega})=|\{t:\Omega(A_t(\tau_{\theta}),G_t)\geq \tau_{\Omega}\}|/N_p,\\ Re(\tau_{\theta},\tau_{\Omega})=|\{t:\Omega(A_t(\tau_{\theta}),G_t)\geq \tau_{\Omega}\}|/N_g$
但是，預定義的閾值無法準確反映跟蹤器是否失敗，爲消除閾值影響，將準確率和召回率對$\tau_{\Omega}$進行積分。另外，可以證明，一系列閾值下成功率的平均等於平均重疊率。
$Pr(\tau_{\theta})=\int_0^1Pr(\tau_{\theta},\tau_{\Omega})d\tau_{\Omega}\\ =\frac{1}{N_p}\sum_{t\in\{t:A_t(\tau_{\theta})\neq\varnothing\}}\Omega(A_t(\tau_{\theta}),G_t)$

$Re(\tau_{\theta})=\int_0^1Re(\tau_{\theta},\tau_{\Omega})d\tau_{\Omega}\\ =\frac{1}{N_g}\sum_{t\in\{t:G_t\neq\varnothing\}}\Omega(A_t(\tau_{\theta}),G_t)$

分別稱爲跟蹤準確率（tracking precision）和跟蹤召回率（tracking recall），定義跟蹤F-指標
$F(\tau_{\theta})=2Pr(\tau_{\theta})Re(\tau_{\theta})/(Pr(\tau_{\theta})+Re(\tau_{\theta}))$