Benchmarking the Robustness of UAV Tracking Against Common Corruptions

无人机（UAV）跟踪的鲁棒性对于监视和机器人等许多任务至关重要。尽管其重要性，由于缺乏专用平台，人们很少关注UAV跟踪器在常见污染下的性能。为此，我们提出了UAV-C，这是一个大规模基准，用于评估UAV跟踪器在常见污染下的鲁棒性。具体而言，UAV-C基于两个流行的UAV数据集，引入了18个常见污染，包括4个代表性类别的对抗性、传感器、模糊和复合污染，以不同的级别进行。最后，UAV-C包含超过10K个序列。为了了解现有UAV跟踪器对污染的鲁棒性，我们在UAV-C上广泛评估了12个代表性算法。我们的研究揭示了几个关键发现：1）当前跟踪器容易受到污染的影响，表明需要更多关注于增强UAV跟踪器的鲁棒性；2）当一起伴随时，复合污染会导致跟踪器更严重的退化；3）虽然每个跟踪器都有其独特的性能配置文件，但某些跟踪器可能对特定污染更敏感。通过发布UAV-C，我们希望它与全面的分析一起成为促进UAV跟踪器抵抗污染鲁棒性的宝贵资源。我们的UAV-C将在https://github.com/Xiaoqiong-Liu/UAV-C上提供。

本论文旨在解决无人机跟踪在常见干扰下的鲁棒性问题，提出了一个大规模的基准测试集 UAV-C。

论文的关键思路是通过引入18种常见干扰，包括对抗性、传感器、模糊和组合干扰，并在不同的强度级别下，对12种代表性算法在UAV-C测试集上进行广泛评估，以评估现有无人机跟踪算法的鲁棒性。

论文使用两个流行的无人机数据集构建了UAV-C测试集，包含超过10K个序列；实验结果表明当前的跟踪算法容易受到干扰的影响，需要更多注意提高其鲁棒性；当组合干扰一起出现时，会对跟踪器造成更严重的影响；每个跟踪器都有其独特的性能特点，有些跟踪器可能对特定的干扰更敏感。

近期在无人机跟踪领域的相关研究包括：《A Benchmark and Simulator for UAV Tracking》、《Robust UAV Tracking: A Multi-View Learning Approach》等。