本文提出一种基于在线目标特定度量学习和协同动力学估计的方法，通过网络流优化来实现长期多人跟踪中的轨迹相关性关联。该方法利用外观和动态线索，避免跟踪时出现身份混淆，并恢复漏检。在跟踪过程中，学习和在线估计目标特定的度量（外观线索）和动态（运动线索），即使由于遮挡或对象间相互作用而无法识别或跟踪目标时仍有效。文中还提出了学习这两种跟踪线索的权重来有效处理严重遮挡和对象间相互作用等困难情况。该方法在多个公共数据集上验证，实验结果表明优于多种最先进的跟踪方法。

Nov, 2015

本文设计了一种名为 FFT 的端到端 DNN 跟踪方法，采用流动目标和融合目标两种有效技术，其中 FlowTracker 探索复杂的目标运动模式，而 FuseTracker 从 FlowTracker 和检测器中细化和融合目标，在多个 MOT 基准测试中均取得了最先进的结果。

Jan, 2020

本文介绍了一种基于有限时间视野的多目标跟踪的时空局部度量方法，其中历史平均跟踪精度（ATA）指标表现出对关联的敏感性，使得其在提取一系列特征方面比传统指标更为优越，为多目标跟踪领域提供了新的视角。

Apr, 2021

本文提出了一种基于 LiDAR 的三维多目标跟踪框架 FlowMOT，该框架结合了点运动信息和传统的匹配算法，通过使用匈牙利算法生成最优匹配关系来完成跟踪任务。实验结果表明，该方法胜过最近的端到端方法，并且在各种速度场景下可以稳定地工作。

Dec, 2020

本文提出了一种名为 FAMNet 的端到端模型，其中特征提取、亲和性估计和多维分配都在单个网络中优化，通过直接从分配标准答案中监督学习来实现鲁棒 MOT 的区分性特征和高阶亲和性模型。同时，将单目标跟踪技术和专用目标管理方案集成到 FAMNet 跟踪系统中，进一步恢复假阴性和抑制外部检测器生成的噪声目标候选项。在 MOT2015、MOT2017、KITTI-Car 和 UA-DETRAC 等多个基准测试上进行了评估，并与现有技术进行比较，在所有测试中均取得了出色表现。

Apr, 2019

本文提出了一种新方法， Multi-Flow dense Tracker (MFT) ，用于稠密、像素级、长期跟踪，通过对连续帧之间和对数间隔的帧之间的光学流进行估计，基于预先训练的 CNN 提供几何精度和遮挡概率，有效地选择了最可靠的一系列光流，并在 TAP-Vid-DAVIS 基准测试中实现了最先进的结果，其平均位置精度为 70.8％，平均 Jaccard 为 56.1％，平均遮挡精度为 86.9％，且对于中等长度的遮挡不敏感，通过对参考帧估计流来减少漂移。

May, 2023

本论文提出了一种新的 MOT 框架，即 UMA，该框架将对象运动和亲和模型统一到一个网络中，通过多任务学习，将单目标跟踪和度量学习集成在一个统一的三元组网络中。实验结果表明，UMA 在几个 MOT 挑战基准上取得了有希望的性能。

Mar, 2020

我们提出了一种数据驱动的方法，使用卷积神经网络（CNN）在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪（MOT）。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题，可以在处理复杂情况下准确跟踪物体并获得优异结果。

May, 2019

本文提出了一种新的基于人群密度图的多目标追踪（MOT）算法 —— 计数式追踪。通过联合建模检测、计数和跟踪多个目标为网络流算法，该算法同时找到全局最优的多个目标检测和轨迹。该方法在人员、细胞和鱼群跟踪等各领域的公共基准测试中表现出了良好的结果。

Jul, 2020

该论文提出了一种基于 RAFT 框架的 Attention-based Feature Localization (AFL) 方法，通过引入注意力机制处理全局特征提取和解决重复模式问题，进而提出了 Amorphous Lookup Operator (ALO) 来提高收敛速度和处理大位移的能力。结果表明，该方法在 Sintel 数据集上提高了 10%，在 KITTI 数据集上提高了 5%，且仅速度降低了 33%，内存使用仅增加了 13%。

Jan, 2024