通过引入一个名为 VastTrack 的新型基准，本文旨在促进更加通用的视觉跟踪算法的发展，包括丰富的类别和视频，它具有大量目标类别、更大的规模、丰富的注释等吸引人的特性。

Mar, 2024

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

该研究介绍了一个多样化的跟踪数据集，采用自下而上的方法获取了一个比以前跟踪基准的种类翻了一个数量级的大词汇，并进行评估表明现有的多种对象跟踪器在野外场景中存在困难，而基于检测的多对象跟踪器实际上是有竞争力的。

May, 2020

本研究通过使用深度学习模型 TrackNet，从模糊、带残影并有时不可见的广播视频中跟踪网球。在 2017 年夏季大学运动会男子单打决赛的视频上，TrackNet 的准确度、召回率和 F1-measure 达到了 99.7％、97.3％和 98.5％。

Jul, 2019

在本篇论文中，我们提出了一个可用于多物体跟踪的新型数据集，其包含 200 个 30 秒的序列和一个完整的 45 分钟半场，用于跟踪足球视频中的球员、裁判和球，该数据集带有边界框和跟踪 ID 的完整注释，并能够训练足球领域 MOT 基线并对这些方法进行全面基准测试，结果表明足球视频中的多人、裁判和球跟踪问题还有待改善。

Apr, 2022

本文提出了一种利用普通物体跟踪器在大规模未标记的汽车环境视频中进行物体挖掘的方法，并展示了超过 36 万个自动挖掘的物体轨迹，并提出了一种自动发现新类别和学习检测器的方法。此外，我们还展示了利用挖掘轨迹进行目标检测器适应的初步结果。

Sep, 2018

本文介绍了一个新型的大规模基准数据集 BigDetection，它通过整合多个现有数据集并提供更大样本数量、更统一的标注体系，可以用于改进物体检测算法的预训练效果，并已被证明是一个有效的检测方法评估标准。

Mar, 2022

本文介绍了一种有效的框架以及注释轨迹的方法，用于生成具有前所未有的规模的 MOT 数据集，并通过验证表明我们的方法比现有技术更加准确和高效。此外，我们还 crowdsourcing 了 PathTrack 数据集，这个大规模的数据集将对物体追踪及目标识别领域产生重要影响，证明了这个数据集的价值，并且用已有的数据训练之后另行测评的结果证明了我们的方法的有效性。

Mar, 2017

本文介绍了一个基于 WordNet 结构的大型跟踪数据库，名为 GOT-10k。GOT-10k 可以提供超过 10,000 个视频段，1.5 百万个手动标记的边界框，由此可以进行深度跟踪的统一训练和稳定评估。此外，该数据库还引入了一种名为 one-shot protocol 的跟踪器评估方法，可以促进跟踪器的发展。我们在 GOT-10k 上进行了广泛的跟踪实验，并分析了实验结果。

Oct, 2018

本文对深度学习手段在视觉目标跟踪中的应用作了全面综述，包括常用的数据集、评估指标以及当前领先的跟踪器，并对它们进行了量化和定性分析，旨在为实践者在选择方案时提供指导和对未来方向进行探讨。

Dec, 2019