本文提出了一种基于片段的推理方案，用于半监督视频分割，得到了最先进的表现，包括准确性和效率收益，通过夹杂在一段时间内进行两次推断和显式改进内部特性的片段操作，以及在片段内部推广匹配机制等模块的协同作用。

Aug, 2022

本文探讨了多目标跟踪中的 tracking-by-detection 模式，结合运动模型与数据驱动技术，使标准的 re-identification 网络在外观跟踪方面取得了极佳的结果，并在四个公共数据集上实现了最先进的表现。

Jun, 2022

本文提出一种基于在线目标特定度量学习和协同动力学估计的方法，通过网络流优化来实现长期多人跟踪中的轨迹相关性关联。该方法利用外观和动态线索，避免跟踪时出现身份混淆，并恢复漏检。在跟踪过程中，学习和在线估计目标特定的度量（外观线索）和动态（运动线索），即使由于遮挡或对象间相互作用而无法识别或跟踪目标时仍有效。文中还提出了学习这两种跟踪线索的权重来有效处理严重遮挡和对象间相互作用等困难情况。该方法在多个公共数据集上验证，实验结果表明优于多种最先进的跟踪方法。

Nov, 2015

本文提出了一个 hierarchical clustering 机制的跟踪框架，以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时，合并 tracklets，从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中，实验结果表明，我们的方法显著优于最先进技术。

Nov, 2018

研究工作中，我们考虑了涉及多目标跟踪（MOT）的数据关联问题，特别是解决了物体遮挡带来的挑战。我们提出了一个名为近似动态规划跟踪（ADPTrack）的框架，它将动态规划原理应用于改进已有的基本启发式方法。在 MOT17 视频数据集上的测试中，该方法在关联准确性（IDF1 指标）上表现出了超过基本启发式方法的 0.7％的改进，并在其他所有标准指标上也有提升。经验上发现，改进在固定位置摄像头获取的视频数据场景中尤为显著。

May, 2024

本文提出一种新的学习可伸缩图匹配方法，用于解决目前多目标跟踪（MOT）任务中的数据关联问题，该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异，同时在多项标准 MOT 数据集上取得了最先进的性能。

Mar, 2021

我们提出了一个在视频帧上进行实例级视觉分析的有效框架，可以同时进行对象检测、实例分割和多对象跟踪。通过一种名为关联连接的新型结构，我们实现了协同多任务学习，在可学习的 CNN 中的检测、分割和跟踪任务之间建立了额外的连接。这些额外的连接允许信息在多个相关任务之间传播，同时使这些任务受益。我们在 KITTI MOTS 和 MOTS 挑战数据集上广泛评估了所提出的方法，并获得了令人鼓舞的结果。

Nov, 2023

一个名为 ADA-Track 的新颖框架对多视角相机的 3D 多目标跟踪进行端到端的研究，利用可学习的数据关联模块和基于边缘增强的交叉注意力，同时结合检测和数据关联任务，以实现更好的效果。

May, 2024

本文旨在解决跨帧多实例半监督视频对象分割，其中仅提供第一帧盒级地面实况图的主要任务。我们提出了一种使用强化学习的新方法，以同时做出这两个决定来克服现有方法的局限性。实验表明，我们的方法比先前的最先进方法快近 10 倍，精度更高（在 DAVIS 2017 数据集上的区域相似性为 69.1%）。

Apr, 2020

该研究提出了一种新颖的无监督视频多目标分割方法，通过结合前景区域估计和实例分组来提高实例判别，引入判别性外观模型用于目标跟踪，实现更准确的物体发现，以及采用自适应内存更新等三种策略提高分割准确性和推理速度，并在 DAVIS17 和 YouTube-VIS 数据集上超越了现有技术的表现。

Apr, 2021