该论文总结了长期跟踪中的关键问题，提出了基于融合追踪器策略的学习方法，并通过实验证明了模型与数据的独立性，并在竞争中取得了领先地位。

Aug, 2023

提出了一种名为 Track Long and Prosper（TLP）的新型长视频数据集和单个目标跟踪基准，包含 50 个高清视频，超过 400 分钟（676K 帧），是现有通用数据集平均持续时间的 20 倍以上，通过对 17 种现有跟踪器进行精度和运行时间速度排名，以及定性和定量评估，突出了跟踪性能的长期方面的重要性并指出了研究努力在长期跟踪方向的潜在需求。

Dec, 2017

我们提出了一种新的长期跟踪性能评估方法，并提出了一个具有许多目标消失的精心选择序列的新挑战性数据集，通过使用适用于评估长期跟踪的新性能指标 - 跟踪精度，召回率和 F 得分来广泛评估了六个长期和九个短期的最先进的跟踪器，评估结果表明，良好的模型更新策略和全局检测能力对于长期跟踪性能至关重要，我们将该方法集成到 VOT 工具包中以自动化实验分析和基准测试，并促进了长期跟踪器的开发。

Apr, 2018

介绍了 OxUvA 数据集和基准，该数据集用于评估单目标跟踪算法，并对算法在具有平均长度大于两分钟且具有频繁目标对象消失的大规模序列中的定位和检测能力进行了评估。

Mar, 2018

本研究结合了全局追踪和利用时间上下文的优点，通过局部追踪器的集成来全局追踪目标。实验表明我们的方法在六个数据集上表现优异。

Mar, 2022

介绍了一个包括 234 个高清摄像头记录的多摄像头跟踪数据集，从纳什维尔市附近的一段 8-10 车道长约 4.2 英里的高速公路同时录制了 234 小时的视频数据。该数据集包含高密度交通状况下的 500 + 个物体，典型物体持续时间为 3-15 分钟。通过手动校正车辆行驶场景中的 GPS 轨迹，为跟踪评估提供了一组地面真实轨迹，并为每个摄像头提供了物体检测结果。初步对检测跟踪算法进行了基准测试，结果表明在长时空间范围内进行交通场景理解所需的跟踪性能不足。

Sep, 2023

本文提出了一种有效且高效的视觉目标跟踪方法，通过短期模型和长短期范式相结合来实现稳定性与适应性的平衡，并采用整体结构的一致性以及瞬时变化的建模来识别并定位目标。

Aug, 2020

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

本文提出了一种长期视觉对象跟踪性能评估方法和基准，并设计了性能度量标准，以最大程度地增强对分析的探究力度。此外，还提出了新的数据集并分析了跟踪架构对长期性能的影响，以及重新检测策略和视觉模型更新策略对长期跟踪漂移的影响。

Jul, 2019

本文介绍了 GlobalTrack，它是一种纯全局实例搜索追踪器，可以执行全图像和多尺度搜索并具有高鲁棒性。通过使用使用两阶段目标检测器和交叉查询损失，GlobalTrack 避免了在线学习，不需要对位置或尺度进行惩罚，无需尺度平滑和轨迹细化，相对于需要复杂后处理的现有方法，在四个大型跟踪基准上取得了可比较的，甚至更好的性能，适合于长期跟踪。

Dec, 2019