本文介绍了一种新型的自动生成训练数据代码库，以及改进了最先进的多目标跟踪和分割方法。文章提出了跟踪挖掘算法和 MOTSNet 的深度学习跟踪方法，并在 KITTI MOTS 数据集上取得了显著的性能提升。

Dec, 2019

本文提出了一种新的多对象跟踪方法，该方法利用无序的 2D 点云表示来生成实例嵌入，从随机选择的点中学习辨别实例嵌入，利用多种信息数据模态来丰富点特征，基于此建立了在线 MOTS 系统 PointTrack，在三个数据集上进行评估，并构建了一个更具挑战性的 MOTS 数据集 APOLLO MOTS。

Jul, 2020

我们提出了一个在视频帧上进行实例级视觉分析的有效框架，可以同时进行对象检测、实例分割和多对象跟踪。通过一种名为关联连接的新型结构，我们实现了协同多任务学习，在可学习的 CNN 中的检测、分割和跟踪任务之间建立了额外的连接。这些额外的连接允许信息在多个相关任务之间传播，同时使这些任务受益。我们在 KITTI MOTS 和 MOTS 挑战数据集上广泛评估了所提出的方法，并获得了令人鼓舞的结果。

Nov, 2023

提出了一种自监督的重构 MOTS 框架，并在 CVPR 2020 的 MOTS 挑战中获得了第一名，该框架利用数据关联，引入阈值，通过短期轨迹训练外观编码器，达到对 MOTS 结果的精细化改进。

Jul, 2020

基于 CBNetV2 和 Swin-B 的检测模型以及 MoCo-v2 的自监督外观模型，我们探索了一种新的 SOTA 方向，通过去除运动信息和 IoU 映射，取得了在 CVPR2023 WAD 研讨会的 MOTS 轨迹上的第一名以及 MOT 轨迹上的第二名的简单有效方法。

Aug, 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

PointTrack++ 是一个有效的在线 MOTS 框架，它扩展了我们最近提出的 PointTrack 框架，通过采用有效的一阶段框架进行实例分割，并将紧凑的图像表示转换为无序的 2D 点云来学习实例嵌入，进一步提高了分割性能。

Jul, 2020

本文提供了一个行人数据集并且对最先进技术的一些强弱项进行了分析，对比了单次追踪和两阶段追踪，并得出单次追踪是较佳方案的结论。

Aug, 2022

本文提出了一种新的大规模多目标追踪数据集 SportsMOT，旨在促进运动跟踪器在运动和外观等方面的进步，通过比较当下几种状态最好的跟踪器和 MixSort 框架，我们发现 SportsMOT 的关键挑战在于对象关联，MixSort 框架通过将自定义的基于外观的关联与原始的基于运动的关联相结合，实现了在 SportsMOT 和 MOT17 上的最先进的性能表现。

Apr, 2023

本文提出一种名为 MeNToS 的方法，利用实例分割和光流技术创建轨迹，依靠时空记忆网络（STM）来改善具有时间间隔的轨迹的关联，从而进行多目标跟踪和分割 (MOTS)，并且在 RobMOTS 挑战中获得了第 4 名。

Jul, 2021