该论文介绍了一种名为 Unified Transformer Tracker (UTT) 的模型，通过该模型，研究者们可以在同一框架下解决不同场景下的目标跟踪问题。该模型可以同时进行单目标跟踪（Single Object Tracking）和多目标跟踪（Multiple Object Tracking），并通过端到端训练来优化模型的表现。

Mar, 2022

本论文提出了一种新的 MOT 框架，即 UMA，该框架将对象运动和亲和模型统一到一个网络中，通过多任务学习，将单目标跟踪和度量学习集成在一个统一的三元组网络中。实验结果表明，UMA 在几个 MOT 挑战基准上取得了有希望的性能。

Mar, 2020

本文提出了一种将外观和运动特征与几何信息显式结合以提供更准确跟踪的新型无监督 MOT 方法 UnsMOT，通过 CNN 和 RNN 模型提取外观和运动特征，构建对象的图形，并利用 GNN 模型和 CNN 特征输出经优化的对象几何嵌入，通过匹配提取特征和几何嵌入，找出对象之间的关联，实验结果显示与最先进方法相比，在 HOTA、IDF1 和 MOTA 指标上表现出色。

Sep, 2023

通过引入统一模型从不同角度研究 3D 对象跟踪，本文针对点云对象的属性差异设计了 AdaFormer 网络，并在学习目标中加入了已知模板目标的大小和形状先验知识，提高了模型的推广能力。结果表明，统一模型在 KITTI 数据集上相对于特定类别模型在 Siamese 和 motion 范例上分别提高了 12% 和 3% 的性能。

Jan, 2024

本研究解决了传统多目标跟踪方法只针对少数预定义对象类型的固有限制，并提出了一种新的任务 Open-vocabulary MOT，进一步开发出一种数据效率优异的开放词汇跟踪器 OVTrack，通过知识蒸馏和数据幻觉策略有效提升图像分类和关联准确性，最终在大规模的 TAO 基准测试上取得了最新的最优效果。

Apr, 2023

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

引入基于深度学习的运动建模网络（DMM-Net）估算多个物体的运动参数，可用于联合检测和关联，以解决现有方法中深度模型过于依赖检测器、评估结果受检测器影响的问题。通过运用 DMM-Net 构建的 Omni-MOT 数据集，消除了检测器对多目标跟踪性能评估的影响，该方法取得了比传统方法更好的性能，速度更快。

Aug, 2020

单目标跟踪 UVLTrack 是一个统一的跟踪器，可同时处理边界框（BBOX）、自然语言（NL）和两者（NL+BBOX）的参考设置，并具有多种优势，包括模态一致的特征提取器、多模态对比性损失和模态自适应盒子头。在多个数据集上 extensive 实验结果显示，UVLTrack 在视觉跟踪、视觉语言跟踪和视觉定位方面具有有前景的性能。

Jan, 2024

本研究提出了一种解决视频跟踪问题的通用方法 UniTrack，其包含单一的面部模型和多个任务特定的解决方案，可以通过监督学习或自监督学习进行训练，可以在大多数跟踪任务中获得与特定方法竞争的结果，并扩展方法的评估和比较范围。

Jul, 2021

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