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：
目录
Inspection and Correction（检验与修正）
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。
