介绍了一个新的算法 —— 提升拆分路径问题，通过引入提升边来提供路径连接性先验。提出了几类线性不等式的问题，同时提出了有效的割平面算法。提升拆分路径问题是多目标跟踪的一种自然模型，能够以优美的数学形式表示长时间范围内的相互作用。通过提升边可以避免 ID 转换问题，从而实现人物的跟踪。在输入检测方面，我们提出的算法可以有效地实现近乎最优分配，因此在 MOT 挑战的三个主要基准上都表现出显著优越性。

Jun, 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

本文介绍了一种有效的框架以及注释轨迹的方法，用于生成具有前所未有的规模的 MOT 数据集，并通过验证表明我们的方法比现有技术更加准确和高效。此外，我们还 crowdsourcing 了 PathTrack 数据集，这个大规模的数据集将对物体追踪及目标识别领域产生重要影响，证明了这个数据集的价值，并且用已有的数据训练之后另行测评的结果证明了我们的方法的有效性。

Mar, 2017

研究工作中，我们考虑了涉及多目标跟踪（MOT）的数据关联问题，特别是解决了物体遮挡带来的挑战。我们提出了一个名为近似动态规划跟踪（ADPTrack）的框架，它将动态规划原理应用于改进已有的基本启发式方法。在 MOT17 视频数据集上的测试中，该方法在关联准确性（IDF1 指标）上表现出了超过基本启发式方法的 0.7％的改进，并在其他所有标准指标上也有提升。经验上发现，改进在固定位置摄像头获取的视频数据场景中尤为显著。

May, 2024

该研究是对 Multimarginal Optimal Transport 问题进行的一项研究，重点是解决该问题的复杂性，并使用工具包证明其 NP 难度以及近似不可能性，此外我们通过论证证明各种拒斥成本使 MOT 问题成为 NP 难的实际困难。

Dec, 2020

本文提出了基于非均匀超图的近实时多目标跟踪算法，使用结构支持向量机自动学习不同程度的依赖关系的超边权重来建模各种依赖关系，实验结果表明我们的方法在各种具有挑战性的数据集上均优于现有的多目标跟踪方法。

Dec, 2018

本文综述了利用深度学习模型解决单摄像头视频的多目标跟踪任务的研究，总结了该任务中的四个主要步骤，并深入探讨了如何在每个步骤中利用深度学习。此外，还提供了对三个 MOTChallenge 数据集中所呈现的工作的完整实验比较，并确定了最优解方法之间的若干相似之处，提出了一些可能的未来研究方向。

Jul, 2019

该论文针对运动分割中的局限性提出了一种基于超图的最小成本量切割方法和相应的启发式算法，准确构建出点轨迹的高阶图形模型，以更好地区分运动模型的不同变换，结果在 FBMS-59 数据集上表现优于现有技术。

Apr, 2017

本文研究了多项式最优运输（MOT）距离的近似复杂性，提出了两个新的确定性算法：多重边缘 Sinkhorn 算法和加速多重边缘 Sinkhorn 算法。通过实验，证明了这两种算法在计算效率和准确性上的优越性。

Sep, 2019

本论文提出了一种通用的理论框架和算法，通过利用简单的变形来解决多边际最优输运问题（MOT）在多项式时间内，尤其是解决了当前最流行的 Sinkhorn 算法对于 MOT 求解在多项式时间内所需要的额外结构，提供了新的精确且稀疏的算法，同时对于三种 MOT 成本结构提供了可充分利用标准算法技术的多项式时间算法。

Aug, 2020