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

本文提出了一种名为 FAMNet 的端到端模型，其中特征提取、亲和性估计和多维分配都在单个网络中优化，通过直接从分配标准答案中监督学习来实现鲁棒 MOT 的区分性特征和高阶亲和性模型。同时，将单目标跟踪技术和专用目标管理方案集成到 FAMNet 跟踪系统中，进一步恢复假阴性和抑制外部检测器生成的噪声目标候选项。在 MOT2015、MOT2017、KITTI-Car 和 UA-DETRAC 等多个基准测试上进行了评估，并与现有技术进行比较，在所有测试中均取得了出色表现。

Apr, 2019

本文提出了一个以神经网络为基础的端到端框架，用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题，并利用预先学习好的神经网络进行求解，该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明，该框架能够提供更快的计算速度和更好的跟踪精度。

Jul, 2019

本文提出了一种有效的多模态 MOT 框架，包括使用 2D 和 3D 测量的联合目标检测和关联的端到端深度神经网络、用于计算 3D 空间中遮挡感知的外观和运动相似度的有效计算模块、以及联合优化检测置信度、相似度和开始 - 结束概率的综合数据关联模块，实验证明所提出方法在跟踪精度和处理速度方面优于 KITTI 跟踪基准。

Aug, 2021

本论文提出了一种新的 MOT 框架，即 UMA，该框架将对象运动和亲和模型统一到一个网络中，通过多任务学习，将单目标跟踪和度量学习集成在一个统一的三元组网络中。实验结果表明，UMA 在几个 MOT 挑战基准上取得了有希望的性能。

Mar, 2020

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

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

本文提出了一种名为 Tracklet Association Tracker（TAT）的新型多目标跟踪框架，旨在将特征学习和数据关联高效地融合在一起，通过双层优化公式实现，以使关联结果可以直接从特征中学习。同时，为了提高性能，本文采用了流派融合、对齐和选择等方法，在 MOT2016 和 MOT2017 基准测试中均取得了最先进的性能等级。

Aug, 2018

提出一种应用注意力度量编码来解决自动驾驶场景下多目标跟踪问题的方法，此方法通过软性数据关联来聚合所有物体检测的信息，从而使得模型能够在数据驱动的方式下推理出目标物体的遮挡情况并进行跟踪，实验结果表明该方法在规模较大的数据集上优于现有的视觉多目标跟踪技术。

Aug, 2020

一个名为 ADA-Track 的新颖框架对多视角相机的 3D 多目标跟踪进行端到端的研究，利用可学习的数据关联模块和基于边缘增强的交叉注意力，同时结合检测和数据关联任务，以实现更好的效果。

May, 2024