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

以条件随机场为基础，针对在线多目标跟踪问题中的 tracklet 失效问题，提出了一种离散 CRF 框架，利用跟踪假设的帧内关系改进稳健性并考虑了各种实际情况下的跟踪挑战，经过大量实验验证该框架在 MOT16 和 MOT17 基准测试中表现优异并具有高扩展性。

Nov, 2020

提出了一种简单但健壮的框架，将物体检测和关联作为从配对噪声框到配对真实框的一致去噪扩散过程来联合建模，通过新颖的渐进去噪扩散策略大幅提升了跟踪器的效果，在推理中，模型通过灵活的一步或多步去噪扩散过程，将一组随机生成的配对框优化为检测和跟踪结果，大范围实验证明了该方法在多个 MOT 基准测试上与当前最先进的方法相当。

Aug, 2023

引入基于深度学习的运动建模网络（DMM-Net）估算多个物体的运动参数，可用于联合检测和关联，以解决现有方法中深度模型过于依赖检测器、评估结果受检测器影响的问题。通过运用 DMM-Net 构建的 Omni-MOT 数据集，消除了检测器对多目标跟踪性能评估的影响，该方法取得了比传统方法更好的性能，速度更快。

Aug, 2020

提出了一个综合的多目标跟踪方法 STMMOT，该方法结合了目标检测和身份链接，能够在长时间内维持目标身份链接，并利用具有注意力机制的鲁棒时空记忆模块和动态查询嵌入来预测目标状态，消除了后处理的需求。

Dec, 2023

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

本文综述了利用深度学习模型解决单摄像头视频的多目标跟踪任务的研究，总结了该任务中的四个主要步骤，并深入探讨了如何在每个步骤中利用深度学习。此外，还提供了对三个 MOTChallenge 数据集中所呈现的工作的完整实验比较，并确定了最优解方法之间的若干相似之处，提出了一些可能的未来研究方向。

Jul, 2019

多目标跟踪是一个关键研究领域，本文提出了一种协作跟踪学习的方法，通过丰富的时间描述和特征的进一步融合，实现了在低帧率视频中的多目标跟踪，取得了优于现有方法的性能。

Aug, 2023

本文提出了一种高效的深度神经网络方法 ——FMA，计算两个视频帧之间的 Framewise Motion Fields，并对大量对象的边界框进行快速可靠匹配，同时实现 Frame-wise Appearance Features 的学习，以达到实时多目标跟踪并取得与现有最先进方法相竞争的结果。

May, 2019

本文提出了一种在线多目标跟踪算法，该算法将单目标跟踪和数据关联方法的优点融合在统一框架中，以处理嘈杂的探测和目标之间频繁的交互，并在多目标跟踪基准数据集上展示出较好的性能。

Feb, 2019