在本文中，我们提出了一种名为 MapTrack 的方法，利用概率图、预测图和协方差自适应卡尔曼滤波器的三个轻量级插件算法，通过增强经典跟踪器 DeepSORT 在拥挤和遮挡场景中的鲁棒性，实现在常用的多目标跟踪基准集（如 MOTS17 和 MOT20）上的最先进效果。

Feb, 2024

通过对 Kalman 滤波进行改进以减小轨迹漂移噪声，并引入一种新的在线轨迹有效性机制来减少幽灵轨迹，从而在 3D 多物体跟踪中提出了 RobMOT 框架，该框架在各种检测器上表现出优于截至目前最先进方法的卓越性能，包括深度学习方法，在 MOTA 上的边缘为 3.28％，在 HOTA 上的边缘为 2.36％，并且在处理延迟上提高了 59％。

May, 2024

通过引入适应性的运动预测器，即 AM-SORT，将卡尔曼滤波器替换为转换器架构，我们提出了一种基于运动的多目标跟踪方法，从而解决了在涉及非线性运动和遮挡情景时估计未来物体位置的限制。AM-SORT 通过历史轨迹嵌入到转换器中，提取一系列边界框的时空特征，实现了与 DanceTrack 上最先进的跟踪器相当的性能，达到了 56.3 的 IDF1 和 55.6 的 HOTA。我们进行了大量实验证明了我们的方法在预测遮挡下的非线性运动方面的有效性。

Jan, 2024

多目标跟踪 (MOT) 任务可以通过添加弱线索来解决目标遮挡和聚类问题，并在多个追踪器上展现出了明显和持续的改进。

Aug, 2023

本文介绍了一种新的鲁棒性强的跟踪器，该跟踪器可以将运动和外观信息、相机运动补偿和更准确的卡尔曼滤波状态向量相结合，其新的跟踪器 BoT-SORT 和 BoT-SORT-ReID 在 MOTChallenge 的 MOT17 和 MOT20 测试集上均排名第一。

Jun, 2022

我们介绍了 DeepMoveSORT，这是一个专门设计用于动态和非线性运动模式场景的多目标跟踪器。通过使用可学习的深度滤波器和一系列新提出的启发式方法，我们改善了基于运动的关联方法，从而提高了关联性能，并在三个具有非线性运动的数据集上超过了现有跟踪器的最新结果。我们的研究表明，使用可学习的滤波器代替 Kalman 滤波器，并结合基于外观的关联是实现强大的通用跟踪性能的关键。

Jun, 2024

我们提出了两种创新的数据驱动滤波方法，通过结合可训练的运动模型进行对象位置预测，并将观察结果与对象检测器的预测相结合，以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估，证明在对象跟踪方面，尤其是非线性运动模式的情况下，我们的滤波器优于传统的 Kalman 滤波器。

Feb, 2024

该研究提出了一种视频基于物体为中心的模型，通过适应物体为中心的插槽以及构建完整物体原型来处理遮挡，仅需要稀疏的检测标签进行物体定位和特征绑定，无需 ID 标签，并通过自我监督的期望最大化损失函数实现物体关联，实验证明了该方法在物体为中心的学习领域的卓越性能。

Sep, 2023

通过多目标跟踪器和 Hungarian Algorithm 方法解决了运动物体的跟踪问题，并在 Okutama-Action 数据集上进行了测试表明实时运行时性能存在较大损失，需要进一步研究。

Sep, 2017

文中介绍了一个基于 SORT 方法的多目标跟踪算法，通过整合外观信息能有效地降低物体遮挡时的身份切换次数，并在利用最近邻查询视觉外观空间建立测量轨迹关联时表现出竞争性的性能。

Mar, 2017