深度跟踪数据集推动RGBD目标跟踪新进展：DeT方法与性能提升

深度跟踪：RGBD目标跟踪的新方法及数据集 随着机器人技术、自动驾驶、智能家居等领域的发展，RGBD（红绿蓝深度）目标跟踪技术变得越来越重要，因为它结合了视觉和深度信息，提高了在复杂环境中物体识别和定位的能力。然而，现有的RGBD跟踪器通常依赖于先进的RGB跟踪器，利用RGB数据进行训练，而深度通道则主要用于处理遮挡和细节问题，因为缺乏大规模的RGBD训练数据。 以往的工作存在数据集规模有限的问题，这限制了深度跟踪器的性能提升和深度线索的有效利用。为了解决这一问题，本研究提出了一项突破——深度跟踪（DepthTrack）数据集。这个新数据集相较于现有最大规模的数据集，拥有显著的增强，包括： 1. 增加的序列数量：DepthTrack包含200个序列，几乎是现有最大数据集的两倍，为深度学习模型提供了丰富的样本。 2. 扩展的场景类型：涵盖40种不同的场景，使得跟踪器能够适应多样化的环境条件。 3. 更多的对象种类：包含90个不同对象，增加了模型的泛化能力。 4. 长序列的平均长度：每个序列平均长度达到1473帧，模拟了更长时序的跟踪挑战。 5. 变形对象的考虑：数据集中有16个可变形对象，测试跟踪器在形状变化情况下的性能。 6. 注释跟踪属性：提供15个关键的跟踪属性标签，有助于评估跟踪质量的多个维度。 为了验证DepthTrack的价值，研究者在该数据集上运行了SotARGB和RGBD跟踪器，并开发了一种新的RGBD跟踪基线——DeT（Depth-based Tracking），它展示了深度信息在大规模训练数据支持下对跟踪性能的提升。DeT的结果表明，深度RGBD跟踪确实可以从一般的训练数据中受益。 这项工作的主要贡献在于创建了一个更具挑战性和代表性的RGBD跟踪数据集，以及提供了一种基准方法，推动了RGBD跟踪技术的进一步发展。研究人员希望，DepthTrack将促进深度感知跟踪算法的研究和创新，并最终提升各种应用中对目标对象的精准定位能力。 代码和数据集可以在<https://github.com/xiaozai/DeT>获取，供学术界和工业界使用，共同推动RGBD目标跟踪技术的进步。