本论文将多目标跟踪扩展到多目标跟踪和分割（MOTS）。为此，我们使用半自动注释程序为两个现有的跟踪数据集创建密集的像素级注释。通过我们的新注释，我们提出了一个新的基线方法，该方法使用单个卷积网络共同处理检测、跟踪和分割。我们演示了我们数据集的价值，在 MOTS 注释上训练可以提高性能，我们相信我们的数据集、指标和基线方法将成为开发超越 2D 边界框的多目标跟踪方法的宝贵资源。

Feb, 2019

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

本文提出了一种新的大规模多目标追踪数据集 SportsMOT，旨在促进运动跟踪器在运动和外观等方面的进步，通过比较当下几种状态最好的跟踪器和 MixSort 框架，我们发现 SportsMOT 的关键挑战在于对象关联，MixSort 框架通过将自定义的基于外观的关联与原始的基于运动的关联相结合，实现了在 SportsMOT 和 MOT17 上的最先进的性能表现。

Apr, 2023

我们提出了一种简单、有效和通用的方法来预测行人属性，以支持通用的 Re-ID 嵌入。我们介绍了一个包含超过 80k 帧和 600 万行人 ID 的 AttMOT 大型综合数据集，用于行人跟踪。我们探索了不同的方法来融合 Re-ID 嵌入和行人属性，包括注意机制，希望能够促进属性辅助的多目标跟踪的发展。我们的方法 AAM 在 AttMOT 数据集上实验并在几个代表性的行人多目标跟踪基准中展示了其有效性和通用性。

Aug, 2023

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

多目标跟踪在交通视频中是一个关键的研究领域，通过利用先进的机器学习算法，可以提高交通监控的准确性并促进道路安全措施。然而，现有的交通视频多目标跟踪数据集通常具有有限的实例或专注于单个类别，无法很好地模拟复杂交通场景中遇到的挑战。为了填补这一空白，我们介绍了 TrafficMOT，一个广泛的数据集，旨在涵盖具有复杂场景的多种交通情况。通过使用三种不同的设置来验证 TrafficMOT 所呈现的复杂性和挑战：完全监督、半监督和最近强大的零样本基础模型 Tracking Anything Model（TAM）。实验结果突出了该数据集的内在复杂性，强调其在交通监控和多目标跟踪领域推动发展的价值。

Nov, 2023

本文介绍了一种有效的框架以及注释轨迹的方法，用于生成具有前所未有的规模的 MOT 数据集，并通过验证表明我们的方法比现有技术更加准确和高效。此外，我们还 crowdsourcing 了 PathTrack 数据集，这个大规模的数据集将对物体追踪及目标识别领域产生重要影响，证明了这个数据集的价值，并且用已有的数据训练之后另行测评的结果证明了我们的方法的有效性。

Mar, 2017

基于元学习的 MAML MOT 方法用于解决行人多目标跟踪中的样本稀缺问题，提高模型的泛化性能和鲁棒性，取得了在 MOT 挑战赛上的高准确率，为行人多目标追踪领域的研究提供了新的视角和解决方案。

May, 2024

引入了 Semantic Multi-Object Tracking (SMOT) 的研究，旨在估计物体的轨迹并理解与轨迹相关的语义细节，包括实例描述、实例交互和整体视频描述，整合了 “where” 和 “what” 以进行跟踪。同时介绍了用于 SMOT 的一个大规模基准测试集 BenSMOT，提供了目标轨迹的注释以及自然语言的实例描述、实例交互和整体描述。此外还提出了专门为 SMOT 设计和端到端训练的新型跟踪器 SMOTer，并通过发布 BenSMOT 和 SMOTer 来推动跟踪领域朝着了解视频的新方向发展。

Mar, 2024

本文介绍了一种新型的自动生成训练数据代码库，以及改进了最先进的多目标跟踪和分割方法。文章提出了跟踪挖掘算法和 MOTSNet 的深度学习跟踪方法，并在 KITTI MOTS 数据集上取得了显著的性能提升。

Dec, 2019