本文提出了一种基于循环神经网络 (RNNs) 进行在线多目标跟踪的新方法，在真实场景下跟踪多个对象涉及许多挑战，包括 a）先验未知和时变目标数量，b）所有目标的连续状态估计，和 c）数据关联的离散组合问题。这项工作中提出的方案通过端到端学习的方式，解决了上述的所有问题，并在合成数据和真实数据上的实验表明取得了不错的效果，为未来研究方向奠定了基础。

Apr, 2016

本文提出了一种名为 MotionTrack 的简单而有效的多目标跟踪器，它在统一框架中学习健壮的短期和长期运动，以将轨迹从短范围关联到长范围。通过在检测范例跟踪中嵌入 Interaction Module 和 Refind Module​​，在挑战性场景中，该方法在各种 MOT 指标上均实现了最先进的性能。

Mar, 2023

该研究提出了一个统一的多目标跟踪框架，该框架通过利用长期和短期线索处理 MOT 场景中的复杂情况，并考虑潜在的身份交换原因（开关器）的影响，并结合了多个线索来提高鲁棒性，最终在挑战性的 MOT 基准测试中实现了最先进的结果。

Jan, 2019

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

本论文提出了一种基于在线分治跟踪器的方法，其将分配问题分为本地子问题，并通过选择和组合最佳功能来解决问题，从而增强了跟踪性能，并通过两个不同数据集上的实验验证了该方法的优越性。

Sep, 2015

本文提出了一个 hierarchical clustering 机制的跟踪框架，以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时，合并 tracklets，从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中，实验结果表明，我们的方法显著优于最先进技术。

Nov, 2018

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

本研究提出一种名为空间 - 时间关系网络（STRN）的方法，利用统一框架同时编码多个线索来计算相似度，并深入研究了轨迹物体对的特征表示方法，成功地在 MOT15-17 基准测试中达到了最先进的精度。

Apr, 2019

提出了一种称为 “Tracking-by-Animation” 的跟踪框架，通过利用可微分的神经模型对多个对象进行跟踪，并在重构帧中动画化这些对象，从而实现了无需标记数据的端到端 MOT 学习。同时进一步提出了优化数据关联的 “Reprioritized Attentive Tracking” 模型。

Sep, 2018

本文探讨了多目标跟踪中的 tracking-by-detection 模式，结合运动模型与数据驱动技术，使标准的 re-identification 网络在外观跟踪方面取得了极佳的结果，并在四个公共数据集上实现了最先进的表现。

Jun, 2022