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

本文提出了一种名为 MotionTrack 的新型可学习动作预测器，其综合结合了两个层级的运动特征以增强时态动态的建模和促进个体物体准确的未来运动预测。

Jun, 2023

本文提出了一种将外观和运动特征与几何信息显式结合以提供更准确跟踪的新型无监督 MOT 方法 UnsMOT，通过 CNN 和 RNN 模型提取外观和运动特征，构建对象的图形，并利用 GNN 模型和 CNN 特征输出经优化的对象几何嵌入，通过匹配提取特征和几何嵌入，找出对象之间的关联，实验结果显示与最先进方法相比，在 HOTA、IDF1 和 MOTA 指标上表现出色。

Sep, 2023

本文提出了一种跨领域 MOT 自适应方法，以先前的数据集为基础，并通过自我学习和更新来模拟新数据的获取过程，采用自监督学习的策略，实验结果表明在多项挑战性设置中，相比完全监督、无监督和自监督的最新方法，该方法在跟踪度量 MOTA 和 IDF1 上具有卓越表现。

Jun, 2023

基于概率目标检测的定位不确定性估计的 2D MOT 方法在自动驾驶中能有效减少误检以及提升 MOTA。

Feb, 2024

基于 Transformer 架构构建的学习几何 3D MOT 框架 3DMOTFormer，在进行跟踪检测双向图的基础上，通过边分类进行数据关联，并提出了一种新颖的在线训练策略，通过自回归和递归前向传播以及序列化批量优化来减少训练和推断之间的分布不匹配。

Aug, 2023

提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法（MotionTrack），它由基于 Transformer 的数据关联（DA）模块和基于 Transformer 的查询增强模块组成，同时实现了多目标检测（MOD）。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果（AMOTA 得分为 0.55），与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。

Jun, 2023

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

提出了一种名为 Chained-Tracker（CTracker）的简单在线模型，它自然地将物体检测、特征提取和数据关联三个子任务集成到了一个端到端的解决方案中，并且采用了链式结构和成对关注回归技术，将 MOTA 记录提高到了 67.6 和 66.6，在 MOT16 和 MOT17 挑战数据集上实现了简单、快速、有效的多目标跟踪。

Jul, 2020