现在，评价一个算法的性能主要从两个方面：
1、看其在数据集上的效果如何？
2、与其他跟踪算法的比较有何优势？
都说算法在刷数据集，其实如果能够在这些标准数据集上分数刷得很高，该算法应该也具有一定的泛化能力。
常用的数据集有：
如果有一个算法在几个数据集上都刷得很高，无疑是跟踪领域福音，从此没有人再敢再刷这些数据集，然后发论文了吧。
一、OTB50和OTB100：http://cvlab.hanyang.ac.kr/tracker_benchmark/
性能评价方法[1]：
OPE：
1、mean precision（precision plot） ：预测的中心位置与实际的中心位置小于20px的帧数占总帧数的百分比。
大部分算法都在方法上刷的很高。
2、IoU（success plot）：预测的bounding box 与 实际的bounding box的交并比。
第二个评价标准更为苛刻。因为只有预测的位置和预测的尺度都准的情况下，其分数才会高。
Robustness Evalution：
TRE：Temporal Robustnes Evaluation，改变第一帧的帧顺序。
SRE：改变ground truth的bounding box 的尺度或者旋转ground truth 的bounding box。
实验方法：
整体上：在所有序列上的性能，如OTB50，VOT2016等。
定量分析：可用不同属性，但是都是难度较大的序列来测试算法的性。。
定性分析：OTB数据集分为11个属性，如遮挡，快速移动，光照变化等。在各个属性上.
算法没有100%。自从有了深度学习方法，很多计算机视觉问题都有了大突破，然而，在IMAGENET上的图像分类或LFW的人脸识别准确率还是没有到达100%，退一步说，即使到了100%，也只能说在某个数据集上达到了100%，换个数据集可能就不行了，再退一步说，即使在某几个数据集都达到了100%，实际应用中可能又不行了，因为现实情况非常复杂，有很多不可控因素，不是几个数据集就能囊括的。跟踪算法也是算法，算法就是算法，没有最好，只有更好。
在OTB出现之前，各个算法可以说是各说各的，几个算法很难那在一起做比较，所以都是看该算法的创新点。
在标准数据集出来之后，各个算法有了可以比较的基础；但是又出现了一个新的情况：刷数据集，在数据集上分数很高。如果该数据集是动态的还好说，但是OTB是静态的。
看论文，看算法，不仅要看其性能，更要看其创新点。
二、每年（13/14/15/16/17/18）的VOT竞赛[2]数据集：http://www.votchallenge.net/
13年：16个短视频序列，top,left,w,h
14年：25个短视频序列，x1，y1，x2，y2，x3，y3，x4，y4
15年：60个短视频序列，x1，y1，x2，y2，x3，y3，x4，y4
16年：在15年的基础上改进了ground truth。
17年：同16年
18年：等待中。。。
参考文献：
[1] Y. Wu, J. Lim, and M.-H. Yang. Online object tracking: A benchmark. In CVPR, 2013.
