本研究使用基于语言描述的车辆搜索来探索其在实际场景中的潜力，结合最先进的视觉模型和基于 Transformer 的语言模型，重新审视了网络结构设计、训练策略和优化目标，实验结果显示出了优越的性能，并希望为未来车辆检索系统的研究铺平道路。

May, 2021

该研究提出一种利用自然语言描述的深度追踪器，通过使用 LSTM 跟踪器预测目标的更新，可以以每秒超过 30 帧的速度处理具有模糊语言注释的目标，展示出色的性能。

Jul, 2019

本研究针对提取车辆属性相关关键词时所需大量预处理和后处理工作的问题，借鉴命名实体识别 (NER) 技术构建了一个包含 42.3k 车辆跟踪信息标注的 NL 数据集 - FindVehicle, 通过使用由 FindVehicle 预训练的文本编码器，我们提出了基于自然语言的车辆检索模型 VehicleFinder, 在 homemade 数据集上实现了 87.7% 精度和 89.4% 召回率，每次查询时间为 279.35 毫秒到 93.72 毫秒之间，比基于 Transformer 的系统快得多.

Apr, 2023

提出了一种基于自然语言分段的车辆检索深度神经网络 SBNet，包括两个任务特定模块，即替换模块和未来预测模块。在 AI City Challenge 2021 中，SBNet 取得了在自然语言驱动车辆跟踪赛道上显著的进步。

Apr, 2021

本文提出了一种新的基于自然语言描述的目标跟踪方法，通过建立一个自然语言驱动的跟踪器的基准测试数据集，并提出了两个新的挑战来促进相关研究，旨在提高跟踪性能的灵活性、鲁棒性和准确性。

Mar, 2021

本文介绍了 CityFlow 数据集，它是一个城市级交通相机数据集，包括来自 40 个摄像头的 3 个多小时的高清视频，涵盖 10 个路口，最大距离为 2.5 公里，共包含超过 200K 个标注边界框。这个数据集为 MTMC 跟踪，MTSC 跟踪，物体检测和基于图像的车辆再识别等领域提供了前所未有的较大规模的数据支持，以促进该领域的研究。

Mar, 2019

提出了一种基于多粒度观察（OMG）的新框架，用于通过自然语言描述在监控视频中查询受追踪车辆，并以多粒度对视觉表示、文本表示和目标函数进行优化，实验结果表明，该方法比以往所有方法的表现都好，获得了第 9 名的好成绩。

Apr, 2022

自然语言视频定位（NLVL）是视频理解中复杂但关键的任务之一，本研究提出了一种旨在解决全局捕获视频数据时空动态的 NLVL 新方法，通过条件去噪扩散过程直接生成全局 2D 时空图。多尺度技术和创新的扩散解码器克服了 2D 时空图的稀疏性和不连续性，有效地捕捉了查询和视频数据在不同时间尺度下的交互作用。实验证明了我们设计的有效性。

Jan, 2024

城市场景交通安全描述与分析在保险检查和事故预防等应用中起着关键作用。本文介绍了 CityLLaVA，一种专门用于城市场景的视觉语言模型的新的微调框架，通过采用边界框进行最佳视觉数据预处理，包括视频最佳视角选择和在训练和测试阶段进行视觉提示工程；构建简明的问答序列和设计文本提示以提高指令理解；通过块扩展高效微调大型视觉语言模型，并通过一种独特的顺序提问预测增强方法提高预测准确性。在实验中，我们的方法达到了 33.4308 的基准分数，在排行榜上占据了领先位置。

May, 2024

本文介绍了一个模块化解决方案 All You Can Embed (AYCE)，旨在将单车跟踪序列与自然语言相关联以解决智慧城市应用中结合视觉与文本信息的问题，其核心为使用 BERT 提供文本描述的嵌入和卷积背骨和 Transformer 模型嵌入视觉信息。

Jun, 2021