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

本研究提供了一个大规模数据集，利用自动注释系统从不同环境下的高度重叠 RGB 和深度相机生成三维跟踪结果，并通过手动检查和纠正三维跟踪结果来确保标签质量，以提高多相机，多物体跟踪系统的可靠性和性能。

Nov, 2021

我们提供了一个真实世界的大规模数据集 MTMMC，其中包括由 16 个多模态摄像机在校园和工厂两种不同环境中捕获的长时间视频序列，并涵盖各种时间、天气和季节条件。该数据集提供了一个具有挑战性的测试平台，用于研究多摄像机跟踪在多样化的真实世界复杂性下，并包括了空间对齐和时间同步的 RGB 和热像摄像机的额外输入方式，从而提高了多摄像机跟踪的准确性。MTMMC 是现有数据集的超集，有助于独立领域，如人员检测、重新识别和多目标跟踪。我们提供了关于该数据集的基线和新的学习设置，并为未来的研究设定了参考得分。数据集、模型和测试服务器将公开提供。

Mar, 2024

使用卷积神经网络训练复合式跟踪和重新识别系统，平衡多目标多相机跟踪和个体重新识别性能的关系，并通过自适应加权三元组损失和硬标识挖掘技术来优化性能。

Mar, 2018

本论文提出支持多摄像头、多目标的异体视角下的多假设跟踪算法，并通过两个数据集的实验展示了该方法在实时且在线状态下的更高准确度和表现优势。

Jan, 2019

本文提出了一种新的多摄像头多人跟踪方法，它利用锚点引导聚类实现跨摄像头重新识别和基于几何的跨摄像头 ID 重新分配的时空一致性，从而改善跟踪的准确性，并在 CVPR AI City Challenge 2023 数据集上进行了评估，取得了 95.36% 的 IDF1 得分，名列挑战赛第一名。

Apr, 2023

通过构建一个新的数据集，以及引入一个轻量级的无外貌特征全局连接模型 (Linker)，结合再识别 (Re-ID) 方法，实现了在多移动相机环境下的多目标多运动摄像头 (MTMMC) 跟踪系统的显著改进，从而推进了多移动相机的协同挖掘。

Dec, 2023

提出一种全局在线多目标多摄像头（MTMC）跟踪模型，解决了多目标多摄像头跟踪中第一阶段跟踪结果的依赖性和跨摄像头匹配的困难，同时通过特征提取和融合模块增强了特征表示，建立了多摄像头目标之间的相关性，取得了在 VisionTrack 数据集和其他数据集上较之前方法的显著改进。

Jul, 2024

本文提出了一种基于深度神经网络的多摄像头的实时人物追踪方法，该方法通过地点网络、快速精确的在线跟踪器等多个模块实现了实时性高、追踪效果优秀的实时多摄像头 3D 人物追踪。

Mar, 2020

多相机多目标跟踪（MCMT）是一种计算机视觉技术，用于在多台相机上同时跟踪多个目标。本文介绍了一种名为 CityTrack 的新型 MCMT 框架，其中包括一种集成了各种先进技术的位置感知 SCMT 追踪器以及一种用于 ICA 模块的新颖的 Box-Grained Matching（BGM）方法，该方法能够解决城市交通场景中的困难。在 CityFlowV2 数据集的公共测试集上评估了我们的方法，并取得了 84.91% 的 IDF1 指标，在 2022 AI CITY CHALLENGE 中排名第一。我们的实验证明了我们的方法在克服城市交通场景带来的挑战方面的有效性。

Jul, 2023