本文提出了一个新的、通用的指代多目标跟踪（RMOT）任务，其核心思想是利用语言表达作为语义线索来引导多目标跟踪的预测。作者构建了一个基于 KITTI 的可扩展表达基准 Refer-KITTI，并开发了一个基于变压器的 TransRMOT 架构来解决该任务，在线方式取得了令人瞩目的检测性能，并超越了其他对手。

Mar, 2023

本研究提出了一种新的 3D MOT 系统，通过整合来自 RGB 图像和 3D 点云的信息，融合了联合概率数据关联框架，实现了实时，最先进的跟踪性能，并发布了一个包括 2 百万个框和 3500 个一致的 2D + 3D 轨迹的大规模数据集，该数据集被命名为 JRDB，并在多个设置下进行了测试，从而成为了目前最先进的多对象跟踪解决方案之一。

Feb, 2020

该研究揭示家庭机器人在执行长期任务时通过使用三维编码和视觉语言模型可实现客观目标定位；通过实证研究，该研究表明该方法优于以往的同类工作并适用于实际机器人平台。

Jan, 2023

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

本文介绍了一种新的鲁棒性强的跟踪器，该跟踪器可以将运动和外观信息、相机运动补偿和更准确的卡尔曼滤波状态向量相结合，其新的跟踪器 BoT-SORT 和 BoT-SORT-ReID 在 MOTChallenge 的 MOT17 和 MOT20 测试集上均排名第一。

Jun, 2022

本文提出了一种利用动态贝叶斯网络进行物体 6 自由度姿态追踪的方法，在观测时考虑了物体本身和周围环境对物体的遮挡，并使用 Rao-Blackwellised 粒子滤波器实现实时姿态估计。

May, 2015

通过 Associating Objects with Transformers (AOT) 框架，将 bounding boxes 转换为 masks，通过多个 feature scales 的转换实现视频对象跟踪和分割，并在 EPIC-KITCHENS TREK-150 Object Tracking Challenge 中获得第一名。

Jul, 2023

本研究解决了传统多目标跟踪方法只针对少数预定义对象类型的固有限制，并提出了一种新的任务 Open-vocabulary MOT，进一步开发出一种数据效率优异的开放词汇跟踪器 OVTrack，通过知识蒸馏和数据幻觉策略有效提升图像分类和关联准确性，最终在大规模的 TAO 基准测试上取得了最新的最优效果。

Apr, 2023

该研究提出了一个名为 RSPT 的框架，通过重建环境和预测目标轨迹来形成结构感知的动态表征，并通过非对称充决策机制提高策略网络的泛化性能，成功地在各种仿真场景和现实世界应用中实现了对无序环境下具有多样布局及复杂障碍物的跟踪效果的优化。

Apr, 2023

本文主要介绍了我们针对在复杂环境下的多目标跟踪挑战提出的方法，将其作为两个阶段的任务，包括人体检测和轨迹匹配，并具体设计了一个改进的人体检测器和一个位置匹配矩阵，使其在 DanceTrack 数据集上获得了高达 66.672 HOTA 和 93.971 MOTA 的成绩。

Dec, 2022