通过实现深度感知和相机姿态估计，本文提出了 DepthMOT 算法，可以准确区分多个对象，并解决了拥挤场景中物体混淆和相机运动不规则导致的 ID 切换问题。在 VisDrone-MOT 和 UAVDT 数据集上的广泛实验表明 DepthMOT 具有卓越性能。

Apr, 2024

在本文中，我们提出了一种名为 MapTrack 的方法，利用概率图、预测图和协方差自适应卡尔曼滤波器的三个轻量级插件算法，通过增强经典跟踪器 DeepSORT 在拥挤和遮挡场景中的鲁棒性，实现在常用的多目标跟踪基准集（如 MOTS17 和 MOT20）上的最先进效果。

Feb, 2024

本文总结了目前三维多目标跟踪方法并提出了 SimpleTrack 算法，指出了现有方法的缺陷并为其提出改进方案；在 Waymo Open Dataset 和 nuScenes 数据集上得到了新的最佳结果。本文还分析了现有数据集对算法真实能力的反映以及剩余失败情况的分布和原因，并提出了未来三维多目标跟踪的研究方向。

Nov, 2021

提出一种应用注意力度量编码来解决自动驾驶场景下多目标跟踪问题的方法，此方法通过软性数据关联来聚合所有物体检测的信息，从而使得模型能够在数据驱动的方式下推理出目标物体的遮挡情况并进行跟踪，实验结果表明该方法在规模较大的数据集上优于现有的视觉多目标跟踪技术。

Aug, 2020

通过 Decomposed Data Association（DDA）和 Occlusion-aware Non-Maximum Suppression（ONMS）模块的有针对性的利用，提出了一种名为 DeconfuseTrack 的多目标跟踪器，显著提高了多个常用跟踪器的性能，并在 MOT17 和 MOT20 测试集上取得了最先进的性能，明显优于基线跟踪器 ByteTrack，验证了我们的跟踪设计在简单全局关联引起的混淆问题上具有有效的减少混淆的能力。

Mar, 2024

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

本文提出了一种分解模型来解决在分辨率提高时计算成本（时间和内存成本）过高的立体匹配问题，该模型仅在很低的分辨率下运行密集匹配，使用不同的高分辨率下的稀疏匹配来逐步恢复失去细节的视差，并通过一个有遮挡感知掩码迭代地融合相邻尺度上的稀疏和密集视差图，同时应用细化网络来改善融合结果，相比高性能方法如 PSMNet 和 GANet，我们的方法在获得可比较的视差估计结果时提高了 $10 - 100 imes$ 的速度。

Apr, 2021

本文提出了一种基于光流和稀疏深度先验的方法，将动态场景模型假设为分段平面模型，计算其局部刚性变换和尽可能刚性的全局变换，无需显式估计 3D 旋转和平移即可高效恢复场景的深度密集图，适用于广泛的场景。

Feb, 2019

提出了一种基于立体输入的视觉里程计法的稠密建图算法，该算法针对大规模动态城市环境中的高级移动机器人任务，同时重建静态背景、移动物体和潜在移动的静止物体。

May, 2019

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