本文提出了使用自适应学习框架解决多目标过滤的固定运动和测量模型问题，通过使用随机有限集术语定义目标元组以及利用具有长短期记忆结构的递归神经网络，提出了一种与预测轨迹元组兼容的新型数据关联算法，使得能够更新被遮挡的目标以及分配目标的出生、存活和死亡。该算法在一个常用的过滤器模拟场景中进行了评估，结果非常有前途。

Jun, 2018

本文提出了一种新的端到端的物体跟踪方法，它直接从原始传感器输入到物体的轨迹映射，而无需任何特征工程或系统识别模型。该方法基于深度学习和循环神经网络的序列建模，通过一种输入丢弃的学习方法，能够在无监督的情况下处理包括遮挡物在内的传感器数据，学习跟踪许多动态物体，适用于机器人类应用中常见的 2D 激光数据跟踪任务。

Feb, 2016

该论文介绍了一个基于循环神经网络的新型端到端框架，用于在复杂、动态且仅部分可观测的现实环境中跟踪和分类机器人的周围环境，并通过少量标记的数据使网络精通语义分类任务。

Apr, 2016

本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

Jan, 2017

本文提出了一种循环自回归网络（RAN），它是一种时间生成建模框架，可以可靠地将物体轨迹与每个视频帧中的检测相关联，并通过内、外存储器来处理多个物体的外貌和运动动态。实验证明，我们的追踪方法在高度拥挤和遮挡的场景中具有鲁棒性，并在 MOT2015 和 2016 数据集上取得了排名最高的结果。

Nov, 2017

本文研究的是多目标跟踪中数据关联错误的问题，提出了一种基于 RNN 的多信号联合跟踪方法，能够编码多信号的长期时间依赖性，有效地解决了遮挡和外观相似等问题，取得了比之前公开数据集更好的跟踪效果。

Jan, 2017

本研究提出了一种在线多目标跟踪方法，通过收集检测和跟踪的输出，利用基于完全卷积神经网络的新型评分函数处理不可靠检测，并采用深度学习出的外貌特征来提高跟踪的识别能力。该方法在人员跟踪基准测试中达到了实时和最先进的性能。

Sep, 2018

本研究提出了一种递归滤波器生成方法来进行视觉跟踪，直接将目标的图像块作为输入，使用递归神经网络来生成一个特定于目标的滤波器，通过将 RNN 中的全连接层的矩阵乘法扩展到特征图上的卷积运算，对目标的空间结构进行保留和内存优化。

Aug, 2017

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

本文提出了一种基于深度学习的新方法，用于基于视觉的单目标跟踪，该方法结合了卷积神经网络和贝叶斯损失层，提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上，该跟踪器达到了最先进的跟踪结果。

Jul, 2016