Anti-UAV数据集是在2021年公开的专用于无人机跟踪的数据集，该数据集采用RGB-T图像对的形式来克服单个类型视频的缺点，包含了318个视频对，并提出了相应的评估标准（the state accurancy, SA)。
文章链接：https://arxiv.org/abs/2101.08466
https://arxiv.org/abs/2101.08466
数据集链接：
GitHub - ucas-vg/Anti-UAV: Served as a large-scale multi-modal benchmark, Anti-UAV drives the future research on the frontiers of tracking UAVs in the wild. With the above innovations and contributions, we have organized the CVPR 2020 Workshop on the 1st Anti-UAV Challenge. These contributions together significantly benefit the community.Served as a large-scale multi-modal benchmark, Anti-UAV drives the future research on the frontiers of tracking UAVs in the wild. With the above innovations and contributions, we have organized the CVPR 2020 Workshop on the 1st Anti-UAV Challenge. These contributions together significantly benefit the community. - ucas-vg/Anti-UAVhttps://github.com/ucas-vg/Anti-UAV
目录
1.数据收集
2.数据标注
coarse annotation（粗糙标注）
Fine Annotation（精细标注）
Inspection and Correction（检验与修正）
3.数据细节
Dataset Splitting（数据集分割）
Position Distribution（位置分布）
Scale Distribution（尺寸分布）
4.数据属性
5.衡量标准
1.数据收集
Anti-UAV数据集包含318个RGB-T的视频对，每个视频对都包含一个RGB视频和一个TIR视频，正如本篇最开始介绍的一样。
该数据集包含了各种飞行场景，使用的无人机主要是DJI和Parrot，如下图所示。视频的场景包含白天和夜晚（光线强度不同），红外和可见光（光线形式不一样）以及各种各样的飞行背景（建筑，云雾，树林等）。每个视频是都是25FPS，并以MP4格式储存。
2.数据标注
原作者采用三个阶段来处理数据标注：
coarse annotation（粗糙标注）
这个阶段标注了每个视频的属性和飞行场景，例如UAV的尺寸，可能错误识别的目标等；同时，是对每一帧都进行了标注，如果当前帧出现了目标，则将flag设定为1，否则就设为0，真实框以[x1, y1, x2, y2]的形式给出一个大概的矩形框标注。
Fine Annotation（精细标注）
选择视频复杂度排名前10 的视频进行进一步标注，剩下的视频对根据第一步的粗糙标注再进行细节标注。
Inspection and Correction（检验与修正）
前两阶段结束后，视频标注可能还存在问题，譬如光线模糊以及无人机的快速一定导致的帧变形等，针对可能还存在的问题再进一步细化。最后，将标注后的视频每隔1000帧进行序列划分。
3.数据细节
Dataset Splitting（数据集分割）
根据深度学习网络的一般标注，数据集包括训练集（training set），测试集（test set）和验证集（validation set）。Anti-UAV数据集中的训练集和验证集来自同一个视频的非重叠部分，而测试集则完全独立于训练集和验证集。其中，训练集包含160个视频对，验证集包含67个视频对，测试集包含 91个视频对（并且该集合相较于验证集更为复杂)。
Position Distribution（位置分布）
如下图所示，边界框的位置大部分都位于图像的中心位置，也就是说无人机的水平运动占多数。并且在测试集中，无人机的尺寸变化幅度更大。
Scale Distribution（尺寸分布）
数据集中的无人机尺寸变化幅度较大，无人机的尺寸计算可由以下公式计算得到：
数据集中无人机的尺寸分布如下图所示，显然，三个集合中的尺寸分布都是差不多的，不过，三个集合中的平均目标尺寸都是小于40像素的（也就是说，该数据集可以用来衡量一个跟踪器跟踪微小目标的能力）。
4.数据属性
目标跟踪的难点就是存在如下表所示的7项，包括目标消失（OV）、部分遮挡（OC）、快速移动（FM）、尺寸变换（SV）、光线偏弱（LI）、热度交叉（TC）以及低分辨率（LR）。
下图是从Anti-UAV数据集中截取的图片，都是以红外和可见光视频对呈现的。原文写道：“The challenging attributes are helpful to analyze the shortcomings and advantages of trackers from all aspects. ”（具有挑战性的属性有助于从各个方面分析跟踪器的缺点和优势。）
下图是Anti-UAV数据集不同集合中的不同属性的序列数量的可视化柱状图，数据的分布十分清晰了，博主就不在这里赘述了~
5.衡量标准
Anti-UAV标注信息包括边界框、属性以及目标是否存在的标志。因此，原文作者将存在标志引入了评估标准，提出了SA（the state accuracy）的评估标准，该标准的计算公式如下：
其中，IOUt是每个跟踪的边界框与真实边界框的IoU分数（不了解IoU的uu可以参考【目标检测】IOU介绍-CSDN博客），vt是前面提到的存在标志，p用来衡量状态精度。
最终得到的SA分数是所有视频序列得到的SA分数的平均值，同时也使用Precision and success来衡量跟踪器的性能。
论文中还提出了三个协议，因为博主懒惰，直接贴图在下面了，大家感兴趣可以深入了解。
