本文提出了一种基于深度神经网络的多摄像头的实时人物追踪方法，该方法通过地点网络、快速精确的在线跟踪器等多个模块实现了实时性高、追踪效果优秀的实时多摄像头 3D 人物追踪。

Mar, 2020

通过使用深度学习算法解决多视角人员占用地图估计问题，并构建一个利用多个视频流的架构，将其联合利用，从而在 PETS 2009 数据集上大幅度优于现有方法。

Feb, 2017

本文提出了一个 hierarchical clustering 机制的跟踪框架，以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时，合并 tracklets，从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中，实验结果表明，我们的方法显著优于最先进技术。

Nov, 2018

本文提出了一种新的多摄像头多人跟踪方法，它利用锚点引导聚类实现跨摄像头重新识别和基于几何的跨摄像头 ID 重新分配的时空一致性，从而改善跟踪的准确性，并在 CVPR AI City Challenge 2023 数据集上进行了评估，取得了 95.36% 的 IDF1 得分，名列挑战赛第一名。

Apr, 2023

我们提供了一个真实世界的大规模数据集 MTMMC，其中包括由 16 个多模态摄像机在校园和工厂两种不同环境中捕获的长时间视频序列，并涵盖各种时间、天气和季节条件。该数据集提供了一个具有挑战性的测试平台，用于研究多摄像机跟踪在多样化的真实世界复杂性下，并包括了空间对齐和时间同步的 RGB 和热像摄像机的额外输入方式，从而提高了多摄像机跟踪的准确性。MTMMC 是现有数据集的超集，有助于独立领域，如人员检测、重新识别和多目标跟踪。我们提供了关于该数据集的基线和新的学习设置，并为未来的研究设定了参考得分。数据集、模型和测试服务器将公开提供。

Mar, 2024

本研究提出新型精度和召回率的性能评价措施，并通过拥有超过 2700 个身份的 1080p，60fps 视频上的 2 百万帧进行了大规模标注和校准，同时使用参考软件系统作为比较基准。研究结果表明，提出的措施恰当地评估了多相机设置中的身份识别性能，数据集提供了对目前跟踪器的现实挑战，而我们的系统的性能可与现有技术水平相当。

Sep, 2016

针对多摄像头追踪挑战，本文在 DukeMTMC 数据集上通过简单的层次聚类与良好训练的人物再识别特征，展示了在该数据集上获得良好结果的方法。

Dec, 2017

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

本研究提出了一种新的 3D MOT 系统，通过整合来自 RGB 图像和 3D 点云的信息，融合了联合概率数据关联框架，实现了实时，最先进的跟踪性能，并发布了一个包括 2 百万个框和 3500 个一致的 2D + 3D 轨迹的大规模数据集，该数据集被命名为 JRDB，并在多个设置下进行了测试，从而成为了目前最先进的多对象跟踪解决方案之一。

Feb, 2020

提出了一种基于 3D 跟踪查询和相机转换的多相机跟踪框架 MUTR3D，适用于自动驾驶系统，并且在 nuScenes 数据集上的评价结果优于目前所有的方法。

May, 2022