通过 EasyTrack 提出一种新的一次性转换器 3D SOT 范例，利用点云跟踪特征预训练模块、统一的 3D 跟踪特征学习和融合网络，以及在密集鸟瞰特征空间中构建的目标定位网络，显著提高了 KITTI、NuScenes 和 Waymo 的性能，并具有较低的参数和高帧率。

Apr, 2024

本文介绍了一种名为 RTrack 的新型目标表示基准追踪器，该追踪器利用一组样本点来获取伪边界框，并自动排列这些点以定义空间范围和突出显示局部区域。我们还对训练潜力进行了深入研究，并引入了一对多的前导分配策略，该方法在 GOT-10k 数据集上实现了与最先进的追踪器竞争性性能，并将训练时间减少到了先前性能最佳追踪器的 10%。大量实验证明，我们提出的 RTrack 在更快的收敛速度下取得了最先进的结果。

Sep, 2023

在本文中，我们提出了两种简单而有效的机制：角度估计和空间遮罩，以解决 Siamese 网络追踪器的旋转和背景干扰问题，并提出了一个名为 Siam-BM 的结果追踪器，它不仅显着提高了追踪性能，而且更重要的是保持了实时性。在 VOT2017 数据集上的评估表明，Siam-BM 实现了 0.335 的 EAO，这使其成为迄今为止表现最佳的实时追踪器。

Sep, 2018

本篇论文提出了一种创新而有效的追踪方法 TrackletNet Tracker (TNT)，它将时间和外观信息结合在一起作为一个统一的框架来处理多目标追踪 (MOT) 的挑战，并相比其他最先进方法，在 MOT16 和 MOT17 基准数据集上取得了令人满意的结果。

Nov, 2018

该论文提出了一种改进的多目标跟踪方法，利用邻居之间的信息，通过构建邻居图和应用图卷积网络来学习图形特征，从而提高在线多目标跟踪的性能。

Jul, 2020

提出了一种用于 3D 单目标跟踪任务的点级流方法，命名为 FlowTrack，通过估计目标中的每个点的流，能够捕捉目标的局部运动细节，提高跟踪性能，并有效地汇聚局部运动信息来获取全局目标运动。在 KITTI 数据集上有 5.9% 的性能提升，在 NuScenes 数据集上有 2.9% 的性能提升。

Jul, 2024

本文提出了一种基于运动中心范例的两阶段跟踪方法 M^2-Track 来解决传统外观匹配法在 LiDAR 点云跟踪中的不足，并在 KITTI、NuScenes 和 Waymo Open Dataset 三个数据集上表现出显著的精度提升（分别为 8％、17％和 22％），验证了该方法的有效性和前景。

Mar, 2022

本文提出了一种无监督单物体追踪器（USOT），通过一套有效的无监督学习方法，从三个方面解决了现有无监督追踪器的性能瓶颈，即移动对象发现、丰富的时间变化利用和在线更新，使用无监督光流和动态规划、Naive Siamese Tracker 和循环内存学习策略三个阶段的联合训练，达到了接近监督深浅追踪器水平的性能提升，且代码开源。

Aug, 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

我们提出了一种数据驱动的方法，使用卷积神经网络（CNN）在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪（MOT）。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题，可以在处理复杂情况下准确跟踪物体并获得优异结果。

May, 2019