我们提出了 MeMOTR，一种用于多目标跟踪的长期记忆增强 Transformer 模型，通过使用自定义的记忆 - 注意力层注入长期记忆，使得相同目标的轨迹嵌入更加稳定和可分辨，显著提高了模型的目标关联能力。实验结果显示，MeMOTR 在 HOTA 和 AssA 指标上分别超过了现有方法的 7.9％和 13.0％，并且在 MOT17 上的关联性能也优于其他基于 Transformer 的方法，同时在 BDD100K 上也具有很好的泛化性能。

Jul, 2023

本研究提出了一种新的联合模型，将位置预测和嵌入关联相结合，以尽量从目标信息中提取更可靠的嵌入，从而提高数据关联的准确性和鲁棒性。实验结果表明，该方法在 MOT 挑战基准测试中的性能优于现有方法。

Apr, 2021

提出了一个综合的多目标跟踪方法 STMMOT，该方法结合了目标检测和身份链接，能够在长时间内维持目标身份链接，并利用具有注意力机制的鲁棒时空记忆模块和动态查询嵌入来预测目标状态，消除了后处理的需求。

Dec, 2023

本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统，并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低，为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入（SDE）学习相比，其跟踪准确性相当。

Sep, 2019

本文提出一种名为 TransMOT 的解决方案，利用强大的图形转换器来有效建模目标的空间和时间互作用，通过将轨迹作为一组稀疏加权图来排列跟踪对象的轨迹，并构建基于图形的空间图形变换器编码器层、时间变换器编码器层和空间图形变换器解码器层。Proposed 方法在多个基准数据集上进行评估，包括 MOT15、MOT16、MOT17 和 MOT20，在所有数据集上都达到了最先进的性能。

Apr, 2021

使用 Transformer 和时空嵌入的 MO3TR 方法，具有空间和时间注意机制，无需显式的数据聚类模块或任何启发式方法，成功解决了多物体追踪过程中的诸多挑战，表现方面同多个 popular MOT 图像和视频基准测试的现有最先进技术几乎相当或更好。

Mar, 2021

本文提出一种名为 MeNToS 的方法，利用实例分割和光流技术创建轨迹，依靠时空记忆网络（STM）来改善具有时间间隔的轨迹的关联，从而进行多目标跟踪和分割 (MOTS)，并且在 RobMOTS 挑战中获得了第 4 名。

Jul, 2021

本文提出了一种名为 MotionTrack 的简单而有效的多目标跟踪器，它在统一框架中学习健壮的短期和长期运动，以将轨迹从短范围关联到长范围。通过在检测范例跟踪中嵌入 Interaction Module 和 Refind Module​​，在挑战性场景中，该方法在各种 MOT 指标上均实现了最先进的性能。

Mar, 2023

提出一种应用注意力度量编码来解决自动驾驶场景下多目标跟踪问题的方法，此方法通过软性数据关联来聚合所有物体检测的信息，从而使得模型能够在数据驱动的方式下推理出目标物体的遮挡情况并进行跟踪，实验结果表明该方法在规模较大的数据集上优于现有的视觉多目标跟踪技术。

Aug, 2020

提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法（MotionTrack），它由基于 Transformer 的数据关联（DA）模块和基于 Transformer 的查询增强模块组成，同时实现了多目标检测（MOD）。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果（AMOTA 得分为 0.55），与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。

Jun, 2023