本研究提出了一种动态算法，通过复用计算来优化数据关联问题，同时解决在线情况下的数据关联问题，实现具有有界内存和计算能力的近似在线解决方案，该方法能够在实时进行跟踪，并展示了在 KITTI 和 PETS2009 数据集上的表现

Jul, 2014

本文讲述了如何通过反向传播学习网络流量数据关联的特征，通过应用到多目标跟踪中，消除了费用手工设计的烦恼，且在各种情况下测试表明相比手工设计费用，其效果更佳。

Jun, 2017

本文提出了一个可微分的框架，通过解决一个双层优化问题，在学习过程中将训练和推断绑定在一起，以显式学习和正则化全局参数化的代价函数以实现更好的全局 MCF 跟踪目标，从而在 MOT16，MOT17 和 MOT20 等流行的多对象跟踪基准测试中实现了与当前最先进方法相当的竞争表现。

Mar, 2022

本文提出了一个以神经网络为基础的端到端框架，用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题，并利用预先学习好的神经网络进行求解，该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明，该框架能够提供更快的计算速度和更好的跟踪精度。

Jul, 2019

本文综述了多目标跟踪管道中数据关联的问题，特别是针对学习方法在关联步骤中的应用。回顾了采用概率和端到端优化方法的数据关联方法，接着介绍了从数据中学习关联的方法，并比较了这些方法的性能。最后，讨论了未来的研究方向。

Feb, 2018

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

通过概率建模解决多目标追踪中的多模态信息融合问题，提高了多个基于检测的追踪算法的性能。

Aug, 2023

利用结构化预测和动态规划等方法进行多目标跟踪，学习参数，并取得了在三种基准测试中的可比较和更好的精度结果。

Oct, 2016

本文旨在研究不使用任何视频级联标签的自监督多目标跟踪问题，并通过不同 iable 可微分的软目标分配来解决问题，使用时间和多视图数据进行训练，从而获得关于目标的关联伪标签。与大多数依赖于学习特征对应关系预算任务的自监督跟踪方法不同，我们的方法直接优化于复杂情景下的交叉对象关联，为鲁棒的重新识别 MOT 方法提供了一种解决方案，不会受到 Minima 的影响。在 KITTI、Waymo、nuScenes 和 Argoverse 数据集上评估我们的模型，与其他无监督方法相比，一致提高了 nuScenes 上的关联精度（7.8%）。

May, 2023