本文探索一种实用的多目标跟踪方法，强调高效地为实时应用程序分配对象。在追踪组件中，使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合，同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器，跟踪精度可以提高高达 18.9％。此外，由于跟踪方法的简单性，该跟踪器的更新速率为 260 Hz，比其他最先进的跟踪器快 20 倍以上。

Feb, 2016

本研究旨在通过基于共享内存多核的吞吐量并行化技术，加速在线实时目标跟踪应用程序的运行。

Mar, 2020

该论文介绍了 SFSORT，这是基于 MOT Challenge 数据集上的实验而开发的世界上速度最快的多目标跟踪系统。通过引入一种新的成本函数，称为边界框相似性指数，该系统实现了准确且计算效率高的跟踪器，消除了卡尔曼滤波器，从而减少了计算需求，并展示了场景特征对增强物体跟踪关联和改进跟踪后处理的影响。使用 2.2 GHz Intel Xeon CPU，在 MOT17 数据集上，该方法实现了 61.7% 的 HOTA 和 2242 Hz 的处理速度，在 MOT20 数据集上，实现了 60.9% 的 HOTA 和 304 Hz 的处理速度。该跟踪器的源代码、优化的物体检测模型和教程可以在 https://github.com/gitmehrdad/SFSORT 上获取。

Apr, 2024

本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统，并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低，为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入（SDE）学习相比，其跟踪准确性相当。

Sep, 2019

文中介绍了一个基于 SORT 方法的多目标跟踪算法，通过整合外观信息能有效地降低物体遮挡时的身份切换次数，并在利用最近邻查询视觉外观空间建立测量轨迹关联时表现出竞争性的性能。

Mar, 2017

该论文提出了一种基于实例特异的物体质量度量生成优质提案的目标跟踪方法，并通过更新物体模型及学习提议的重排序来减少困难背景干扰物，以提高跟踪系统的鲁棒性，该方法在常见的跟踪基准测试中，性能优异，在快速运动物体以及超低帧率视频中表现出强大的鲁棒性。

Jul, 2015

通过将光流算法与深度学习架构相结合，提出了一种混合策略来实现实时目标追踪，实现了在追踪精度和计算成本之间的理想平衡，相比其他最先进方法在 MOTA 上达到了 0.608 的结果，并且运行时间减少了一半，准确性基本相同。

Aug, 2023

本文研究如何改进 Kalman filter 在多目标追踪中的表现，在处理时间比较大的遮挡情况下使用 Observation-Centric SORT 方法才能维护准确度。

Mar, 2022

该论文提出了一个简单实时的 3D 多目标跟踪系统，使用 3D Kalman 滤波器和匈牙利算法进行状态估计和数据关联，并提出了新的 3D MOT 评估工具和新的评估指标，可在 KITTI 和 nuScenes 数据集上获得最先进的性能和最快的速度。

Jul, 2019

本文介绍了一种新的鲁棒性强的跟踪器，该跟踪器可以将运动和外观信息、相机运动补偿和更准确的卡尔曼滤波状态向量相结合，其新的跟踪器 BoT-SORT 和 BoT-SORT-ReID 在 MOTChallenge 的 MOT17 和 MOT20 测试集上均排名第一。

Jun, 2022