本文提出了一种高效的深度神经网络方法 ——FMA，计算两个视频帧之间的 Framewise Motion Fields，并对大量对象的边界框进行快速可靠匹配，同时实现 Frame-wise Appearance Features 的学习，以达到实时多目标跟踪并取得与现有最先进方法相竞争的结果。

May, 2019

本文提出了一种基于 LiDAR 的三维多目标跟踪框架 FlowMOT，该框架结合了点运动信息和传统的匹配算法，通过使用匈牙利算法生成最优匹配关系来完成跟踪任务。实验结果表明，该方法胜过最近的端到端方法，并且在各种速度场景下可以稳定地工作。

Dec, 2020

通过使用多头遮罩生成器来提取目标的精细特征，并通过二次采样技术来获得更高的分辨率和更精确的语义信息，我们提出了一种能够在多物体跟踪中获得最先进性能的新方法。

Feb, 2023

本篇论文提出了一种创新而有效的追踪方法 TrackletNet Tracker (TNT)，它将时间和外观信息结合在一起作为一个统一的框架来处理多目标追踪 (MOT) 的挑战，并相比其他最先进方法，在 MOT16 和 MOT17 基准数据集上取得了令人满意的结果。

Nov, 2018

通过提出 FOLT 方法，本文致力于解决无人机视角下的多目标跟踪问题，通过采用现代化检测器和轻量级光流提取器，提取目标检测特征和运动特征，并利用光流增强目标检测特征，预测对象在下一帧中的位置，并通过空间匹配方案匹配检测到的对象和预测的对象，从而成功地跟踪小型、大规模且具有不规则运动的对象，在无人机多目标跟踪任务中胜过现有的最先进方法。

Aug, 2023

本文提出了一种新的基于人群密度图的多目标追踪（MOT）算法 —— 计数式追踪。通过联合建模检测、计数和跟踪多个目标为网络流算法，该算法同时找到全局最优的多个目标检测和轨迹。该方法在人员、细胞和鱼群跟踪等各领域的公共基准测试中表现出了良好的结果。

Jul, 2020

本文提出了一种新方法， Multi-Flow dense Tracker (MFT) ，用于稠密、像素级、长期跟踪，通过对连续帧之间和对数间隔的帧之间的光学流进行估计，基于预先训练的 CNN 提供几何精度和遮挡概率，有效地选择了最可靠的一系列光流，并在 TAP-Vid-DAVIS 基准测试中实现了最先进的结果，其平均位置精度为 70.8％，平均 Jaccard 为 56.1％，平均遮挡精度为 86.9％，且对于中等长度的遮挡不敏感，通过对参考帧估计流来减少漂移。

May, 2023

提出了一个综合的多目标跟踪方法 STMMOT，该方法结合了目标检测和身份链接，能够在长时间内维持目标身份链接，并利用具有注意力机制的鲁棒时空记忆模块和动态查询嵌入来预测目标状态，消除了后处理的需求。

Dec, 2023

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 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