本文提出了一种使用 ConvNet 架构进行对象检测与跟踪的方法，采用多任务目标进行基于帧的对象检测和跨帧轨迹回归，通过引入表示对象共现的相关特征对 ConvNet 进行辅助，同时通过链接基于跨帧路径的帧级检测结果来产生视频级别高精度检测结果，并在大规模 ImageNet VID 数据集中获得了最新的最先进的结果。

Oct, 2017

本文探讨了一种基于时间空间计算的高效物体检测方法，通过在规模，时间和空间上重新配置计算来实现性能和计算成本的平衡，提出了一个统一的框架，在 ImageNet VID 数据集中实现了具有竞争力的 mAP 79.6％。

Apr, 2018

该论文提出了一种基于实例特异的物体质量度量生成优质提案的目标跟踪方法，并通过更新物体模型及学习提议的重排序来减少困难背景干扰物，以提高跟踪系统的鲁棒性，该方法在常见的跟踪基准测试中，性能优异，在快速运动物体以及超低帧率视频中表现出强大的鲁棒性。

Jul, 2015

本研究通过将类别特定的外观模型重新定义为通用的物体状态预测，在两种大规模跟踪基准测评（OxUvA 和 GOT）中实现了最先进的结果，并通过添加一个 mask 预测分支，为跟踪的对象生成实例分割掩模。

Oct, 2019

本文提出了一种新的跟踪方法 Tracktor，该方法利用对象检测器的边界框回归来预测下一帧中对象的位置，同时扩展直接重识别和摄像机动作补偿，从而实现了超越现有任何跟踪方法的跟踪性能。

Mar, 2019

本文探索一种实用的多目标跟踪方法，强调高效地为实时应用程序分配对象。在追踪组件中，使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合，同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器，跟踪精度可以提高高达 18.9％。此外，由于跟踪方法的简单性，该跟踪器的更新速率为 260 Hz，比其他最先进的跟踪器快 20 倍以上。

Feb, 2016

本文提出了一种基于学习相似度评估的后处理方法，它可以克服先前后处理方法的一些局限性，提高特定视频检测器的结果，特别是在快速运动物体方面，并具有低资源要求。该方法还可以应用于像 YOLO 这样的高效静态图像检测器，提供与计算量更大的检测器相当的结果。

Sep, 2020

本文探讨了基于多帧端到端学习特征和帧间运动的统一方法，该方法扩展了之前的研究并引入了三个新技术来提高视频物体检测性能。

Nov, 2017

本文提出了一种简单、快速而准确的目标检测和跟踪算法 CenterTrack，它可以同时进行检测和跟踪，且在线实时运行，是当前最先进的算法之一。

Apr, 2020

本文提出了一种通过采用基于几何变换估算的新建议并运用多种线索的选择策略，来跟踪在对象可能经历严重旋转等多种变换下的的目标进行追踪，并在多个数据集中获得最佳性能。

Sep, 2015