（1）赛道背景

基于高清遥感视频的弱小目标检测跟踪对于提升交通监控效率、优化城市管理等方面具有重要的意义，例如通过对车辆的检测跟踪可辅助制定更为精准的城市规划及交通措施。然而，弱小目标通常具有尺寸小、对比度低、背景复杂等特点，给检测跟踪带来了很大的难度。此外，目前还缺乏高质量且标注良好的大型数据集，进一步加大了研究和开发的挑战性。因此，本赛道致力于推动研发更先进的弱小目标检测跟踪算法，要求能够处理海量的遥感视频数据，并确保在各种天气条件和光照变化下都能保持高精度。

（2）赛道任务

弱小目标识别赛道要求选手对道路上的车辆小目弱小目标识别赛道要求选手对道路上的车辆小目标进行检测与跟踪，输出目标检测与跟踪目标框。选手使用主办方提供的训练数据集，训练并提交模型。主办方在测试数据集上测试算法检测与跟踪性能，依据评分标准对结果进行综合评价。依据算法的综合表现，设立赛题如下：

a. 初赛：算法在测试数据集上的弱小目标检测性能和跟踪能力。

b. 复赛：算法在扩展测试数据集上的弱小目标检测和跟踪能力，同时考察算法在抖动、平台抖动、云雾干扰等条件下的适应性。

c. 决赛：算法在进一步扩展的测试数据集上的综合表现，进一步考察算法在流量缓慢密度大、平台抖动、云雾干扰等条件下的适应性以及算法运行效率。

（3）数据简介

规模：总计50-100条包含道路运动车辆的遥感视频数据及其标注数据；

用途：动态交通监控、智慧城市。

（4）数据说明

a.原始影像：影像为一系列连续的卫星图像，包含R、G、B三个波段。

b.标签数据：标签格式为边界框注释，包含帧号、目标ID、边界框位置、边界框宽高等内容。

c. 参赛者不得在未获得主办方许可前使用该数据集发表相应的研究成果。

（5）提交要求

提交.zip格式压缩包，可解压缩出results文件夹，results文件夹中包含每条测试视频数据对应的同名txt文件。

（6）提交示例

results.zip内容为：

results

——1-1.txt

——1-2.txt

......

txt文件内容示例如下:

每列依次为帧号、目标ID、边界框左上角的X坐标、边界框左上角的Y坐标、边界框的宽度、边界框的高度、目标类别(固定为1代表车辆)、-1、-1、-1。

（7）评测标准

score =（MOTA+IDF1）/2

采用MOTA和IDF1指标考察识别结果，综合权重分别为50%和50%，重点考察弱小目标能否实时检测跟踪，以及是否产生大量虚警。