本文提出了一种基于循环神经网络 (RNNs) 进行在线多目标跟踪的新方法，在真实场景下跟踪多个对象涉及许多挑战，包括 a）先验未知和时变目标数量，b）所有目标的连续状态估计，和 c）数据关联的离散组合问题。这项工作中提出的方案通过端到端学习的方式，解决了上述的所有问题，并在合成数据和真实数据上的实验表明取得了不错的效果，为未来研究方向奠定了基础。

Apr, 2016

本研究提出了一种递归滤波器生成方法来进行视觉跟踪，直接将目标的图像块作为输入，使用递归神经网络来生成一个特定于目标的滤波器，通过将 RNN 中的全连接层的矩阵乘法扩展到特征图上的卷积运算，对目标的空间结构进行保留和内存优化。

Aug, 2017

本研究提出了一种基于长短时记忆学习（long short term memory）的方法来丰富动态运动和噪声模型的表征，以应用于计算机视觉中的三个最受欢迎的姿态估计任务，并在所有情况下获得最先进的性能表现。

Aug, 2017

本文提出了一种利用时域相关性和关节相关性清理带噪声和不完整的运动捕捉数据的深度双向循环框架，并通过第二个双向网络对带有噪声和空缺的信号进行预处理，从周围上下文中合成缺失的帧。该方法不依赖于噪声分布的知识，处理多种类型的噪声和长空缺，并在各种评估中得到了验证。

Dec, 2017

提出了一种学习多个自适应关联滤波器的方法，同时具有目标外观的长期和短期记忆，以实现强大的物体跟踪，在大规模基准数据集上表现优异，尤其在效率、准确性和鲁棒性方面均优于现有的技术方法。

Jul, 2017

本文研究的是多目标跟踪中数据关联错误的问题，提出了一种基于 RNN 的多信号联合跟踪方法，能够编码多信号的长期时间依赖性，有效地解决了遮挡和外观相似等问题，取得了比之前公开数据集更好的跟踪效果。

Jan, 2017

本文提出了一种新的端到端的物体跟踪方法，它直接从原始传感器输入到物体的轨迹映射，而无需任何特征工程或系统识别模型。该方法基于深度学习和循环神经网络的序列建模，通过一种输入丢弃的学习方法，能够在无监督的情况下处理包括遮挡物在内的传感器数据，学习跟踪许多动态物体，适用于机器人类应用中常见的 2D 激光数据跟踪任务。

Feb, 2016

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

该研究提出了一种新颖的内存高效的循环神经网络（RNN）架构，用于解决目标定位问题，并通过将经典的粒子滤波器与 GRU RNN 架构相结合，提出了构建粒子滤波器 RNN 模型（mePFRNN）的关键特性是在处理不同尺寸环境时所需的参数数目相同。因此，相比于先前提出的 PFRNN 模型，该提议的 mePFRNN 架构消耗更少的存储参数内存。通过在对称且嘈杂的环境中进行测试，以展示我们模型的性能，实验结果表明，相比于其他考虑的竞争者，mePFRNN 模型具有更精确的定位结果，并且需要更少的训练参数。

Oct, 2023

本文介绍了一种新的循环自编码器结构 —— 递归神经过滤器（RNF），通过一系列编码器和解码器学习 Bayesian 滤波每一步的不同表示，应用于三个实际时间序列数据集上，证明了这种解耦表示不仅提高了一步预测的准确性，同时提供了可信的不确定度估计，而且通过分离编码器阶段促进了多步预测。

Jan, 2019