Extensive empirical evaluation has

Extensive empirical evaluation has been conducted, comparing the performance of ROLO with 10 distinct trackers on a suite of 30 challenging and publicly available video sequences. Specifically, we compare our results with the top 9 trackers that achieved the best performance evaluated by the benchmark [26], including STRUCK [9], CXT [3], OAB [7], CSK [10], VTD [16], VTS [17], LSK [18], TLD [15], RS [2]. Note that CNN-SVM [13] is another tracking algorithm based on representations from CNN, as a baseline for trackers that adopt deep learning. We also use a modified version of SORT [1] to evaluate the tracking performance of YOLO with kalman filter. As a generic object detector, YOLO can be trained to recognize arbitrary objects. Since the performance of ROLO depends on the YOLO part, we choose the default YOLO model for fair comparison. The model is pre-trained on ImageNet dataset and finetuned on VOC dataset, capable of detecting objects of 20 classes. We pick a subset of 30 videos from the benchmark, where the targets belong to these classes. The video sequences considered in this evaluation are summarized in Table 1. According to experimental results of benchmark methods, the average difficulty of OTB-30 is harder than that ofthe full benchmark.

結果 (繁體中文) 1:

廣泛經驗評估已經進行，在一套30挑戰和可公開獲得的視頻序列進行比較ROLO與10個不同的跟踪器的性能。具體來說，我們比較我們的結果與實現由基準[26]評估了最佳的性能，其中包括頂部9跟踪鶴鳴[9]，CXT [3]，OAB [7]，CSK [10]，VTD [16]， VTS [17]，LSK [18]，TLD [15]，RS [2]。需要注意的是CNN-SVM [13]是基於來自CNN表示另一個跟踪算法，作為該採用深度學習跟踪的基準。我們還使用了修改後的版本SORT [1]，以評估YOLO與卡爾曼濾波的跟踪性能。作為一個通用的對象檢測器，YOLO可以通過訓練來識別任意對象。由於ROLO的性能取決於YOLO部分，我們選擇了比較公平的默認YOLO模型。該模型是預先訓練上ImageNet數據集和微調，對VOC的數據集，能夠檢測20類的對象。我們挑選的30視頻的子集從標杆，這裡的目標屬於這些類別。在該評價中考慮的視頻序列總結在表1，根據基準的方法，OTB的-30比更硬的平均難度的實驗結果
完整的基準。

結果 (繁體中文) 2:

Если бы у меня был его номер телефона, я бы легко уладил этот вопрос с ним

結果 (繁體中文) 3:

已經進行了廣泛的經驗評估，比較了ROLO和10個不同的追踪器在30個具有挑戰性的公開視頻序列上的效能。具體來說，我們將我們的結果與達到基準[26]評估的最佳效能的前9個跟踪器進行比較，這些跟踪器包括Strike[9]、CXT[3]、OAB[7]、CSK[10]、VTD[16]、VTS[17]、LSK[18]、TLD[15]、RS[2]。注意，CNN-SVM[13]是另一種基於CNN表示的跟踪算灋，作為採用深度學習的跟踪器的基線。我們還使用SORT[1]的一個改進版本，用kalman濾波器來評估YOLO的跟踪效能。作為一種通用的目標檢測器，YOLO可以被訓練來識別任意目標。由於ROLO的效能取決於YOLO部分，囙此我們選擇默認的YOLO模型進行公平比較。該模型在ImageNet數据集上進行預訓練，在VOC數据集上進行微調，能够檢測出20類目標。我們從基準中選取30個視頻的子集，目標屬於這些類。錶1總結了本次評估中考慮的視頻序列。根據基準測試方法的實驗結果，OTB-30的平均難度比OTB-30的平均難度大
完整的基準。