AntiUAV600数据集的提出是为了适应真实场景，即无人机可能会随时随地出现和消失。目前提出的Anti-UAV任务都只是将其看做与跟踪其他目标一样的任务，没有结合现实情况考虑。

论文链接：https://arxiv.org/pdf/2306.15767https://arxiv.org/pdf/2306.15767

 数据集链接：Anti-UAV数据集 · 数据集https://modelscope.cn/datasets/ly261666/3rd_Anti-UAV/files

（论文里面没贴准确的链接，俺都是上网找的，盆友们自行查看嗷，我感觉这个数据集的内容乱七八糟的，巴拉巴拉）

---

1、Introduction

        在现实世界中，最具有挑战性的是无人机会随机地在任意地方出现和消失。已经被提出地跟踪器使用的数据集都要求视频第一帧包含跟踪目标，这并不完全适应现实场景。因此，论文作者团队提出了新的数据集Anti UAV600，该数据集中的视频序列的第一帧中的跟踪目标随机出现。        

2、Dataset Details

        AntiUAV600数据集中的序列包含了多样且具有挑战性的背景场景，如多云的天空、城市环境、山脉、河流和森林等。

        AntiUAV600数据集包括300个训练序列、50个验证序列和250个测试序列，其中训练集热红外帧数为337K，验证集热红外帧数为56K，测试集热红外帧数为330K。使用热红外相机采集所有帧，分辨率为640 × 512，帧率为25帧/秒( fps )。下图是Anti UAV600与其他已经发布的数据集进行的对比。

值得注意的是，上图中的(c)对比了DUT Anti-UAV数据集和Anti-UAV600数据集，其中DUT Anti-UAV数据集中的视频序列中跟踪目标一直存在，而Anti-UAV600数据集中的视频序列中的跟踪目标随机地出现、消失、再出现。

3、Data Annotation

        （论文作者没有详解介绍标注过程）数据集中的每一帧都标注着七种具有挑战性的属性，如下图所示，感觉Anti-UAV任务的数据集的具有挑战性的属性都是一样的，同学们可以类比着看。

 下图是各种属性在不同子集的数量，能很明显看出来视频帧中目标不存在的数据量还是很多的。

4、Evaluation Metric

        因为AntiUAV600数据集提出的场景本来就跟Anti-UAV数据集不太一样，因此论文作者提出了一个新的衡量标准（实际上是在Anti-UAV提出的SA分数上新增了惩罚项），新的衡量标准被称为Acc，计算公式如下：

第一项我就不在这里赘述了，不清楚的朋友移步【目标跟踪】AntiUAV410数据集详细介绍-CSDN博客。对于第二项，其中qt表示预测成功与否的标志（1表示预测失败，0表示预测成功），vt表示真实可见标志，类似于SA，最终的Acc也是序列中所有帧的Acc分数的平均数。

        第二项是惩罚项，惩罚无人机目标存在但预测未能捕获任何目标区域的情况。这一项的提出也是对论文作者提出的检测跟踪框架大有助益的。（对论文提出的检测跟踪框架感兴趣的同学可以去看看原论文，我觉得作者还蛮有想法的，后面看看代码再决定要不要写一篇博客介绍介绍）