可思数据-人工智能媒体资讯平台！
ALOV++ 物体追踪视频数据
|
数据介绍：
ALOV++，Amsterdam Library of Ordinary Videos for tracking 是一个物体追踪视频数据，旨在对不同的光线、通透度、泛着条件、背景杂乱程度、焦距下的相似物体的追踪。视频主要来自 Youtube 网站上的视频，平均长度为9.2秒，最长的为35秒。
用于跟踪的阿姆斯特丹普通视频库（ALOV ++）阿姆斯特丹普通视频库用于跟踪，ALOV ++，动画以涵盖尽可能多的环境：照明，透明度，镜面反射，与类似物体的混淆，杂乱，遮挡，变焦，严重的形状变化，不同的运动模式，低对比度等等。在编写ALOV ++数据集时，优先考虑了几个较长的视频。在这些方面的每一个方面，我们都会收集从易到难的视频序列，并强调视频难度。ALOV ++还可以通过包含来自现有数据集的11个标准跟踪视频序列来覆盖平滑和遮挡，从而与其他跟踪基准向上兼容。此外，我们选择了11个标准视频序列，这些视频序列在最近的跟踪论文中经常使用，涉及光，反照率，透明度，运动平滑度，混乱，遮挡和摇晃相机。65 PETS研讨会早些时候已经报道了序列，其中250个是新的，总共315个视频序列。 内容来自dedecms数据的主要来源是来自YouTube的真实视频，包含64种不同类型的目标，包括人脸，人，球，章鱼，微观细胞，塑料袋或罐头。这个系列分为十三个方面的困难，有许多难以拍摄的非常难看的视频，如舞者，音乐会中的摇滚歌手，完整的透明玻璃，章鱼，一群鸟，伪装士兵，完全遮挡的物体和极度放大的视频引入目标的突然运动。 为了最大化多样性，大多数序列都很短。短视频的平均长度为9.2秒，最长为35秒。另外一个类别包含十个长视频，持续时间在一到两分钟之间。ALOV ++中的帧总数为89364. ALOV ++中的数据由沿着每五帧灵活大小的主轴的矩形边界框注释。在极少数情况下，当运动很快时，注释会更频繁。通过线性插值获得了中间帧的基本事实。第一帧中的地面实况边界框被指定给跟踪器。
特别声明： ¤ 此数据集库仅供研究和教育用途，不得用于任何商业用途。¤ 如果您在任何出版物或报告中使用该数据库，则必须添加引用来源。 ¤ 版权归作者及所在组织所有。 ¤ 如用于商业用途，请联系版权所有人。 ¤ 本站数据来源于网络如有侵权请联系我们。 |
人工智能交流群扫码邀请
