本文介绍了一个标准的目标跟踪模型训练-测试-分析流程。训练阶段通过train.py脚本生成checkpoints和日志文件，包含超参数配置、损失曲线和定期保存的模型。测试阶段独立运行test.py，指定模型权重和结果保存路径，输出跟踪结果和可视化图像。分析阶段运行analysis.py计算精确率、准确率等指标，并生成评估结果文件。整个流程采用模块化设计，训练、测试、分析相互独立，通过文件进行数据传

本文系统综述了卫星视频单目标跟踪(SOT)的研究进展，针对现有方法在旋转目标跟踪上的不足，提出了首个卫星视频旋转目标跟踪基准OOTB。该基准包含110段视频序列(29890帧)，覆盖车辆、船舶、飞机和火车四类目标，所有帧均采用旋转包围框(OBB)标注，并定义了12类细粒度属性。通过评测33种前沿跟踪器(58个模型)发现：基于孪生网络的跟踪器性能最优；旋转、完全遮挡和背景杂波是最具挑战性的场景；融合

本文对比了三种目标跟踪模型架构：STARK采用编码器-解码器Transformer实现端到端无锚点跟踪；AQATrack引入查询向量传播机制；SeqTrack将跟踪转化为序列生成问题。性能上，AQATrack精度最高(71.4%AUC)，STARK最轻量(43.4M参数)，SeqTrack训练最稳定。应用场景方面，STARK适合资源受限环境，AQATrack适合高帧率需求，SeqTrack便于多模

本文记录了SeqTrack项目配置和训练过程中遇到的问题及解决方案。主要问题包括：1）TensorboardX警告提示，原因是较新PyTorch已内置TensorBoard功能；2）路径斜杠使用问题，发现正反斜杠在配置中均可正常使用；3）训练过程中实时输出显示多边形转边界框的处理进度。通过监控训练日志可查看训练指标，包括FPS、总损失和IoU值。整体解决方案包括忽略警告、保持路径配置不变以及补充必

本文介绍了一个标准的目标跟踪模型训练-测试-分析流程。训练阶段通过train.py脚本生成checkpoints和日志文件，包含超参数配置、损失曲线和定期保存的模型。测试阶段独立运行test.py，指定模型权重和结果保存路径，输出跟踪结果和可视化图像。分析阶段运行analysis.py计算精确率、准确率等指标，并生成评估结果文件。整个流程采用模块化设计，训练、测试、分析相互独立，通过文件进行数据传

本文总结了PyTorch GPU环境配置、数据集处理及常见错误的解决方案。主要内容包括：1）将PyTorch从CPU版转为GPU版的操作步骤，需注意CUDA版本匹配；2）数据集处理技巧，如GOT-10k数据集的使用和OOTB数据集的代码修改；3）常见错误排查，如分布式训练环境变量设置、内存不足、路径错误等问题。还涉及手机USB网络共享、Visdom安装等实用问题的解决方法。这些经验对深度学习环境搭

典型指标提升包括旋转IoU（R-IoU）平均提高15-20%，特别适用于船舶、飞机等长宽比悬殊的目标。四类核心目标的mAP可达78.3%（汽车）、82.1%（船舶）、80.7%（飞机）和75.9%（火车），但对未训练类别（如建筑物）的误检率高达25-30%。在测试集包含的12类干扰场景中，模型对云雾遮挡（保持85%以上召回率）、低对比度（AP下降不超过5%）和运动模糊（误差增幅<8%）等卫星视频典

本文介绍了AQA-Track项目环境配置及参数修改流程。首先通过Anaconda创建环境并安装依赖，使用PyCharm建立项目后解决可能的模块缺失问题。重点说明了配置文件修改要点：包括yaml文件中采样率、训练轮数、批量大小等参数调整方法，以及在代码中添加新数据集支持的具体步骤（需在base_functions.py等文件中导入数据集类并修改相关函数）。最后提示完成上述配置后即可运行项目，配置过程