该研究提出了两种技术来改进 3D 多目标跟踪中的判别特征学习，通过引入图神经网络实现对象间的特征互动，以及从二维和三维空间中同时提取外观和运动特征来减少混淆。最终实现了在 KITTI 和 nuScenes 3D MOT 测试中最先进的性能表现。

Jun, 2020

本篇研究论文提出了一种基于学习的三维多目标跟踪方法，在公共数据集 nuScenes 上取得了近年来最好的性能表现，采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。

Apr, 2021

本研究提出一种基于图神经网络的联合多目标跟踪方法，通过优化检测和数据关联模块，兼顾准确性和运行效率，成功在多个 MOT 数据集上实现了最先进的性能表现。

Jun, 2020

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

本文提出一种新的学习可伸缩图匹配方法，用于解决目前多目标跟踪（MOT）任务中的数据关联问题，该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异，同时在多项标准 MOT 数据集上取得了最先进的性能。

Mar, 2021

基于 Transformer 架构构建的学习几何 3D MOT 框架 3DMOTFormer，在进行跟踪检测双向图的基础上，通过边分类进行数据关联，并提出了一种新颖的在线训练策略，通过自回归和递归前向传播以及序列化批量优化来减少训练和推断之间的分布不匹配。

Aug, 2023

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

该论文提出了一种改进的多目标跟踪方法，利用邻居之间的信息，通过构建邻居图和应用图卷积网络来学习图形特征，从而提高在线多目标跟踪的性能。

Jul, 2020

本研究使用图神经网络（Graph Neural Networks）捕捉对象之间的互动方式，以更好地学习多目标跟踪（Multi-object tracking）的关联和轨迹预测（trajectory prediction）的社交上下文，并使用多样性采样技术避免生成重复样本，提高了 3D MOT 和轨迹预测的性能。

Mar, 2020

本文提出了一种基于消息传递网络的全可微分多目标追踪框架，可以直接在图形领域进行操作，实现对于整个检测集的全局推理和最终解决方案的预测，证明了在多目标追踪领域，学习不仅需要局部特征提取，还可以应用于数据关联步骤，并在三个公开基准测试中取得了显著的 MOTA 和 IDF1 改进。

Dec, 2019