本论文将多目标跟踪扩展到多目标跟踪和分割（MOTS）。为此，我们使用半自动注释程序为两个现有的跟踪数据集创建密集的像素级注释。通过我们的新注释，我们提出了一个新的基线方法，该方法使用单个卷积网络共同处理检测、跟踪和分割。我们演示了我们数据集的价值，在 MOTS 注释上训练可以提高性能，我们相信我们的数据集、指标和基线方法将成为开发超越 2D 边界框的多目标跟踪方法的宝贵资源。

Feb, 2019

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

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

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

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

该研究论文提出了一种全卷积 3D 点云实例分割方法，采用逐点预测方式，避免聚类方法中的任务依赖问题，并使用 Optimal Transport 方法根据动态匹配成本为每个采样点分配目标掩模，显著提升了场景的分割精度，成为比其他方法更简单灵活的 3D 实例分割框架。

Apr, 2022

本文提出一种基于 “Mask R-CNN” 的新型跟踪框架，称为 “instance-aware MOT”，能够联合考虑实例级特征和对象运动来在静态或移动摄像机中跟踪多个对象

Jun, 2020

本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统，并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低，为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入（SDE）学习相比，其跟踪准确性相当。

Sep, 2019

3D 单目标跟踪是计算机视觉的前沿任务之一，本研究提出了一种基于点云的全新 3D 单目标跟踪框架 M3SOT，通过多个输入帧、多个感受野和多个解决空间的协同作用，从点云中直接建模时间性、上下文信息和任务，以实现高效的目标跟踪应用。M3SOT 的实验表明，在 KITTI、nuScenes 和 Waymo Open Dataset 等基准上，其性能达到了最先进的水平，帧率达到了 38 帧每秒。

Dec, 2023