TeamTrack: A Dataset for Multi-Sport Multi-Object Tracking in Full-pitch Videos

本文介绍了多目标跟踪（MOT）在计算机视觉中的重要性和挑战性，特别是在涉及具有相似外观但运动不同的对象的情况下，例如团队运动。目前的方法主要依赖于目标检测和外观识别，往往无法准确地跟踪这些复杂场景中的目标。由于缺乏全面且多样化的数据集来涵盖运动场地的全景图，这种局限性进一步加剧。为了解决这些问题，本文提出了TeamTrack，这是一个专门设计用于运动中MOT的开创性基准数据集。TeamTrack是各种运动的全场视频数据的大量收集，包括足球、篮球和手球。此外，我们进行了全面的分析和基准测试，以突出TeamTrack的实用性和潜在影响。我们的工作标志着向前迈出了重要的一步，有望提高MOT在复杂、动态的团队运动等场景中的精度和有效性。数据集、项目代码和竞赛已在https://atomscott.github.io/TeamTrack/上发布。

本论文旨在解决计算机视觉中多目标跟踪（MOT）在复杂场景（如团体运动）中的精度和效率问题，同时缺乏全面和多样化的数据集的问题。

本论文提出了TeamTrack数据集，专门用于团体运动中的MOT任务，并使用全场视频数据进行了广泛的分析和基准测试。

本论文的亮点包括：引入了一个专门用于团体运动中MOT任务的数据集；使用全场视频数据进行了广泛的分析和基准测试；此工作有望提高MOT在复杂动态场景中的精度和效率。

最近在这个领域中，还有一些相关的研究，例如：MOTChallenge比赛、MOT16数据集、MOT17数据集等。