该研究旨在提高多对象追踪的性能，提出了一种基于低得分对象的相似性与轨迹的关联方法，并设计了一种名为 ByteTrack 的强大追踪器，在多个基准测试中实现了最先进的性能，其中包括 MOT17。

Oct, 2021

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

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

基于 CBNetV2 和 Swin-B 的检测模型以及 MoCo-v2 的自监督外观模型，我们探索了一种新的 SOTA 方向，通过去除运动信息和 IoU 映射，取得了在 CVPR2023 WAD 研讨会的 MOTS 轨迹上的第一名以及 MOT 轨迹上的第二名的简单有效方法。

Aug, 2023

本文主要介绍了我们针对在复杂环境下的多目标跟踪挑战提出的方法，将其作为两个阶段的任务，包括人体检测和轨迹匹配，并具体设计了一个改进的人体检测器和一个位置匹配矩阵，使其在 DanceTrack 数据集上获得了高达 66.672 HOTA 和 93.971 MOTA 的成绩。

Dec, 2022

本研究提出了一种增强型的运动感知多目标跟踪系统，集成了不同对象的多种运动模式，并引入动态重连上下文模块、三维积分图像模块等手段，取得了比其他先进跟踪器更为优越的高效性能。

Sep, 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

本研究提出了一种基于子区域识别及匹配策略的 Mesh-SORT 多目标跟踪器，在 MOT17 数据集中相比基线实现了 3% 的分裂、7.2% 的标识符切换和 0.4% 的 MOTA 改进，适用于跟踪目标包括在复杂环境中的场景。

Feb, 2023

本文提供了一个行人数据集并且对最先进技术的一些强弱项进行了分析，对比了单次追踪和两阶段追踪，并得出单次追踪是较佳方案的结论。

Aug, 2022

本文提出一种基于 “Mask R-CNN” 的新型跟踪框架，称为 “instance-aware MOT”，能够联合考虑实例级特征和对象运动来在静态或移动摄像机中跟踪多个对象

Jun, 2020