本文利用三元组嵌入解决了摄像头网络中车辆重新识别的问题，通过学习一个嵌入空间并使用三元组 Loss 函数提高了识别正确率。

Jan, 2019

该研究提出了一种可靠和准确的基于 3D 跟踪的框架，可在众多应用中预测周围物体的未来位置和规划观察者的行动，通过使用拟密度相似性学习，基于 2D 图像，进行初始 2D 关联，并进一步利用 3D 边界框深度排序启发式来实现强健的实例关联和基于运动的 3D 轨迹预测，实验表明，在基准测试中，该框架在城市驾驶场景下具有稳健的物体关联和跟踪，可用于自动驾驶。

Mar, 2021

本文提出了一种基于稀疏 LSTM 的多帧 3D 对象检测算法，使用 U-Net 风格的稀疏 3D 卷积网络提取每帧 LiDAR 点云的特征，并将这些特征与上一帧的隐藏和记忆特征一起输入到 LSTM 模块中，以预测当前帧中的 3D 对象，同时传递给下一帧的隐藏和记忆特征。实验结果表明，我们的算法在使用更少的内存和每帧计算的情况下优于传统的逐帧方法 7.5％ [email protected] 和其他多帧方法 1.2％ 。据我们所知，这是在稀疏点云中首次使用 LSTM 进行 3D 对象检测的工作。

Jul, 2020

本篇研究论文提出了一种基于学习的三维多目标跟踪方法，在公共数据集 nuScenes 上取得了近年来最好的性能表现，采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。

Apr, 2021

提出了一种基于单目视觉的 3D 车辆检测和跟踪的在线框架，并利用 3D 车辆坐标信息和深度匹配对数据进行关联，并设计了一个基于 LSTM 的动作学习模块，以进行更准确的长期运动外推。实验结果表明，该跟踪系统可以提供抗干扰性更强的数据关联和跟踪能力，并且在跟踪 30 米内的行驶车辆方面比基于激光雷达的方法表现更好。

Nov, 2018

本文介绍了一种基于注意力跟踪范式的物体中心、基于变压器的三维跟踪框架。我们提出了 S.T.A.R.-Track，该框架使用新颖的隐式运动模型（LMM）将目标查询进行调整，以直接考虑视角和照明条件的变化，同时显式建立几何运动模型。此外，我们还提出了一种可学习的跟踪嵌入，有助于建立跟踪存在概率的模型。在 nuScenes 基准测试中进行的广泛实验显示出我们方法的优势，不仅在 DETR3D 跟踪器方面表现出最先进的性能，同时还显着减少了轨迹的身份切换次数。

Jun, 2023

本研究提出了一种基于图神经网络和联合特征提取的 3D 多物体跟踪算法，通过在 KITTI 数据集上的实验验证，取得了最先进的 3D MOT 性能。

Aug, 2020

本文提出了一种名为 DEFT 的高效的联合检测和跟踪模型，它使用外观匹配网络和对象检测网络共同学习，并添加了 LSTM 来捕获运动约束，DEFT 在应用于更具挑战性的跟踪数据时具有更高的健壮性。

Feb, 2021

本文提出了一种基于学习的 3D 物体跟踪方法，通过从时间点云数据中学习物体对应关系和运动信息的模式，利用 lidar 数据和运动估计技术进行跟踪，以及采用简单有效的速度平滑模块对物体的运动进行估计，从而在 KITTI 和更大规模的 Nuscenes 数据集上优于现有的 3D 跟踪方法。

Oct, 2020

本研究探讨了基于全卷积神经网络的个性化活动识别方法，通过个人三元组深度嵌入，并与基线方法等进行了比较，结果表明三元组损失提供了最佳性能。

Jan, 2020