本文提出了一种名为 Tracklet Association Tracker（TAT）的新型多目标跟踪框架，旨在将特征学习和数据关联高效地融合在一起，通过双层优化公式实现，以使关联结果可以直接从特征中学习。同时，为了提高性能，本文采用了流派融合、对齐和选择等方法，在 MOT2016 和 MOT2017 基准测试中均取得了最先进的性能等级。

Aug, 2018

提出了一种基于五种基本错误类型的子度量的多目标跟踪评估新指标 HOTA（Higher Order Tracking Accuracy），该指标明确平衡了精确检测，关联和定位的效果，能够评估每个基本错误类型的子度量，并在跟踪性能分析方面较之于现有的指标更具有效性，此外，该指标的得分还能够更好地与人眼视觉跟踪性能评估相一致。

Sep, 2020

本文介绍了一种基于有限时间视野的多目标跟踪的时空局部度量方法，其中历史平均跟踪精度（ATA）指标表现出对关联的敏感性，使得其在提取一系列特征方面比传统指标更为优越，为多目标跟踪领域提供了新的视角。

Apr, 2021

本研究基于 UA-DETRAC 数据集，对多目标跟踪系统中目标检测精度对总体性能的影响进行了全面的量化研究，提出了新的综合分析工具和指标

Nov, 2015

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

该论文提出了一种基于现有观测中心跟踪算法的新型多目标跟踪方法，采用新的迭代关联步骤大大提高了对具有均匀外观的目标的跟踪性能。

Apr, 2023

本研究提出了一种多视角高阶追踪度量（mvHOTA）来确定多点（多实例和多类）追踪方法的准确性，同时考虑时间和空间关联。我们演示了该指标用于评估内窥镜点检测数据集，并与其他调整的 MOT 指标进行比较，讨论了 mvHOTA 的性质，并展示了提议的多视图关联和遮挡指数（OI）如何方便处理遮挡。

Jun, 2022

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

该研究介绍了一个多样化的跟踪数据集，采用自下而上的方法获取了一个比以前跟踪基准的种类翻了一个数量级的大词汇，并进行评估表明现有的多种对象跟踪器在野外场景中存在困难，而基于检测的多对象跟踪器实际上是有竞争力的。

May, 2020

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