-
Odfiltruj z výstupu trackeru všechny objekty, které nejsou v ground truth.
- Pak ti TrackEval bude hodnotit jen ty objekty, které jsou v anotaci.
- Ale: to není standardní použití, a nepočítá s tím většina metrik jako FP/FN globálně správně.
- NEJDE
-
Modifikuj samotný kód TrackEval, aby ignoroval některé třídy nebo detekce mimo zájmovou oblast.
- To už je ale zásah do systému a vyžaduje úpravu zdrojového kódu.
- NEJDE
-
Vytvoř si vlastní jednoduchou metodu na výpočet IDF1 jen pro anotované objekty.
-
Pokud sleduješ např. 3 brouky a máš jejich dráhy, můžeš vypočítat IDF1 mezi predikcí a GT jen na těchto entitách.
-
To je možná nejpřímější a nejčistší řešení v tvém kontextu.
-
THIS
-
Možnosti:
-
IDF1
-
$\text{IDF1} = \frac{2 \cdot \text{IDTP}}{2 \cdot \text{IDTP} + \text{IDFP} + \text{IDFN}}$ -
Např. máš jednoho brouka, sledovaného v 100 snímcích:
- Tracker ho správně detekoval s dobrým ID ve 85 snímcích → IDTP = 85
- Ve 10 snímcích měl špatné ID → IDFP = 10
- Ve 5 snímcích tracker brouka vůbec neviděl → IDFN = 5
$\text{IDF1} = \frac{2 \cdot 85}{2 \cdot 85 + 10 + 5} = \frac{170}{170 + 10 + 5} = \frac{170}{185} \approx 0.9189$
-
-
Identity switches = kolikrát ID změnil (IDFP)
-
Track Lost Frames = kolik snímků neměl žádné track ID přiřazené (track lost) (IDFN)
-
Per-object (partial) tracking analysis:
- Hodnotíš tracker jen pro několik vybraných objektů.
- Vypočítáš pro každý z nich:
- Track consistency – zda má objekt stejné ID po celou dobu.
- Track completeness – kolik snímků objekt byl správně sledován.
- ID switches – počet změn ID.
- Fragmentace – kolikrát se sledování přerušilo.
- Vhodné pro výzkum a ladění trackeru na těžkých datech.
- Není to globální metrika, ale může být dost užitečná.
-
Surrogate metrics bez GT (heuristiky)
-
Např.:
- Average track length – pokud jsou tracky často krátké, značí to časté ztráty.
- Track fragmentation count – kolikrát track skončí a znovu začne - FRAGMENTATION
- Number of unique track IDs – pokud tracker vytváří hodně ID, může to indikovat over-splittin