我们介绍了一种新方法，称为零样本通用多目标跟踪算法（Z-GMOT），它可以跟踪从未见过的物体类别，而无需预定义类别或初始边界框。我们使用 iGLIP 对 Z-GMOT 进行评估，结果表明在多个数据集上的表现优于现有方法。

May, 2023

多目标跟踪应具备高度的一般化能力，然而现有的跟踪器往往无法满足各种特征，而通过研究并将其抽象成一组跟踪场景属性，我们提出了一种点对点到实例关系的跟踪框架 GeneralTrack，能够在不需要平衡运动和外观的情况下，高效地进行多场景跟踪，从而在多个基准测试中达到最先进的性能，并展示了领域泛化的潜力。

Jun, 2024

MOTChallenge 是一个针对单摄像头多目标跟踪设计的标准化比赛，包含三个版本，包括挑战性视频和精确的标签，同时提供了多目标跟踪器分类和广泛的错误分析。

Oct, 2020

通过新发布的 MOTChallenge 标准基准测试集，研究人员在计算机视觉领域的多目标跟踪方面提出了一个具有挑战性的任务，并通过对 MOT16 视频的大量标记来标准化不同方法的评估。

Mar, 2016

本文介绍的 MOT20benchmark 建立在 MOT15、MOT16 和 MOT17 的基础上，扩展了 8 个新的数据序列，适用于评估在极度拥挤情景下处理多个物体跟踪的最先进方法。

Mar, 2020

本文介绍了我们的工作，即创建一个新的多目标跟踪基准，以解决现有基准存在的问题，并通过 MOTChallenge 向一个更有意义的多目标跟踪定量评估统一框架迈进。

Apr, 2015

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

本文是关于多目标跟踪 (MOT) 这一问题的首次综述研究，着重审查了各个方面的最新进展并提出未来研究的一些有趣方向。本文的四个主要贡献是：讨论了 MOT 系统中的关键方面，包括公式化、分类、关键原则和 MOT 评估；根据不同方面讨论了现有方法，每个方法组被分成不同组并详细讨论了原则、进展和缺点；总结了现有出版物的实验，并在流行数据集上汇总了结果，从不同角度分析了结果，验证了该领域的一些基本协议；并提出了 MOT 研究的问题和一些有趣方向，这将成为未来的潜在研究努力。

Sep, 2014

引入了 Semantic Multi-Object Tracking (SMOT) 的研究，旨在估计物体的轨迹并理解与轨迹相关的语义细节，包括实例描述、实例交互和整体视频描述，整合了 “where” 和 “what” 以进行跟踪。同时介绍了用于 SMOT 的一个大规模基准测试集 BenSMOT，提供了目标轨迹的注释以及自然语言的实例描述、实例交互和整体描述。此外还提出了专门为 SMOT 设计和端到端训练的新型跟踪器 SMOTer，并通过发布 BenSMOT 和 SMOTer 来推动跟踪领域朝着了解视频的新方向发展。

Mar, 2024

本文介绍了一种统一的任务框架 Language-Guided MOT 和相关的大规模基准 LaMOT，旨在推动 Vision-Language MOT 领域的研究进展，并提出了一种简单而有效的追踪器 LaMOTer。

Jun, 2024