本研究提供了一个大规模数据集，利用自动注释系统从不同环境下的高度重叠 RGB 和深度相机生成三维跟踪结果，并通过手动检查和纠正三维跟踪结果来确保标签质量，以提高多相机，多物体跟踪系统的可靠性和性能。

Nov, 2021

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

本文提出了一种针对无限约束视频中多人的关节追踪方法，利用简化稀疏的身体关系图和最近的快速推断方法，以及将计算量转移到卷积结构上；并将关节定位方案用于构建关节追踪形式，解决了所有场景中的关联问题，并已在公共 MPII Human Pose 基准测试中取得最新结果。

Dec, 2016

本研究提出了一种在线多目标跟踪方法，通过收集检测和跟踪的输出，利用基于完全卷积神经网络的新型评分函数处理不可靠检测，并采用深度学习出的外貌特征来提高跟踪的识别能力。该方法在人员跟踪基准测试中达到了实时和最先进的性能。

Sep, 2018

本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

Oct, 2022

提出基于独立相机身份标注的人物再识别范式，称为 ICS，并设计了一种用于跨相机识别的多任务深度学习方法 MATE，该方法相对于现有方法和无监督的学习模型在三个大型数据集上的效果更好。

Feb, 2020

提出了一种多相机 3D 行人检测方法，该方法不需要使用目标场景的数据进行训练，通过基于人体姿势和来自现成单目检测器的人物包围框的新启发式方法在地面平面上估计行人位置，然后将这些位置投影到世界地面平面，并用新的团覆盖问题公式进行融合，同时还提出利用域通用的行人再识别模型在融合期间对行人外貌的选择性步骤，评估表明，在具有挑战性的 WILDTRACK 数据集上，所提出的方法获得了 0.569 的 MODA 和 0.78 的 F 分数，优于现有的最先进的通用检测技术。

Apr, 2021

提出了一种名为 STAC（跨摄像头监控系统）的高效跨摄像头监控系统，利用多个摄像头之间的时空关联提供实时分析和推理，在受限的网络环境下工作。STAC 利用所提出的全模尺度特征学习人员再识别（reid）算法，使用视频帧的时空特征进行准确的人员检测、跟踪和再识别，通过帧过滤和流媒体技术的最新压缩技术（即 FFmpeg libx264 编解码器）与 STAC 集成，从跨摄像头帧中去除冗余信息。这有助于优化视频传输成本和计算 / 处理，同时保持实时查询推理的高准确性。通过 NVIDIA 引入的 AICity Challenge 2023 数据 [1]，评估了 STAC 的性能，测量了 reid 的准确性指标和推理速度。此外，我们使用 FFmpeg 比较了帧过滤和压缩相对于原始摄像头流的视频流减少量。为了完整起见，我们提供了可在此 https URL 复制结果的存储库。

Jan, 2024

本文提出了一个开源、低成本、可扩展和隐私保护的边缘计算框架，用于室内多人定位，其中包括多个 Tensor 处理单元 (TPU) 摄像头系统，配合基于 Kalman 滤波的多人跟踪方法和一种先进的身体方向估计方法，能够同时确定多人的位置和朝向，并保证了个人隐私，实现了优化的数据传输和存储以及可扩展性。

May, 2023

该论文提出了一个统一框架，旨在解决大规模多摄像机网络下人员再识别及摄像机网络拓扑推断问题，通过提供 SLP 数据集，实验证明该方法在人员再识别及摄像机拓扑推断任务中具有很大的潜力。

Oct, 2017