该研究提出了一种名为 FishMOT 的新型鱼类多目标跟踪方法，该方法将目标检测技术与 IoU 匹配算法相结合，实现了高效、精确和稳健的鱼类检测和跟踪，显著减少了计算时间和存储空间。实验结果表明，该方法在各种评估指标上优于其他方法，速度更快，内存需求更低。

Sep, 2023

本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统，并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低，为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入（SDE）学习相比，其跟踪准确性相当。

Sep, 2019

为了解决现有跟踪数据集中存在的外观区分度差的问题，在另一篇文章中作者提出了 DanceTrack 数据集，我们在其中观察到与现有跟踪基准相比，目前最先进的几个跟踪器的表现明显下降，这表明 DanceTrack 为发展依赖于运动分析而非视觉差异的更多 MOT 算法提供了更好的平台。

Nov, 2021

本研究提出了一种增强型的运动感知多目标跟踪系统，集成了不同对象的多种运动模式，并引入动态重连上下文模块、三维积分图像模块等手段，取得了比其他先进跟踪器更为优越的高效性能。

Sep, 2020

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

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

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

本文采用无证明控制来解决多目标跟踪中的 ID 切换问题，并提出了简单有效的策略来处理外观信息的模糊匹配，实验结果表明该跟踪器在处理遮挡和快速移动引起的跟踪错误方面表现出优秀的效果和鲁棒性。

Jul, 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