本文提出了一种多目标跟踪算法，该算法通过使用经过训练的深度神经网络检测和估计单个图像中的物体距离并结合先进的 Poisson 利用伯努利混合（PMBM）跟踪滤波器，能够在仅使用单目相机图像作为输入时实现 3D 跟踪，评估结果表明该算法在 KITTI 目标跟踪数据集中表现良好。

Feb, 2018

本研究探索了多目标跟踪数据的分布模式，并发现现有多目标跟踪数据集中存在显著的长尾分布问题。针对这一挑战，我们提出了两种数据增强策略，并引入了 Group Softmax 模块用于 Re-ID，在多个现有跟踪系统中集成我们的方法，经过广泛实验验证了方法在减少长尾分布对多目标跟踪性能影响方面的有效性。

Mar, 2024

本研究提出了一种基于神经增强信念传播的多目标跟踪方法，NEBP 通过学习原始感应器数据中的信息改进了传统基于统计模型的贝叶斯 MOT 方法，提高了跟踪性能和灵敏性.

Dec, 2022

本文提出了一种在部分可观察马尔科夫决策过程 (POMDP) 框架下，针对连续轨迹的贝叶斯优化方法，并通过蒙特卡罗树搜索 (MCTS) 解决了这个问题，该方法在使用 UAV 监测空间现象方面表现优于竞争技术。

Mar, 2017

使用 2D 检测从单目相机提出了一种三维多目标跟踪（MOT）解决方案，该解决方案在自动启动 / 终止跟踪，解决外观再出现和遮挡方面具有重要作用。

May, 2024

本文提出了一种分布式多目标跟踪算法，通过使用基于广义协方差交叉的多伯努利（MB）滤波器。该算法采用连续分布跟踪和序列蒙特卡罗采样技术，同时证明由于融合的多目标跟踪模型复杂度，直接求解其融合后的后验分布是不现实的。

Mar, 2016

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

通过对 Kalman 滤波进行改进以减小轨迹漂移噪声，并引入一种新的在线轨迹有效性机制来减少幽灵轨迹，从而在 3D 多物体跟踪中提出了 RobMOT 框架，该框架在各种检测器上表现出优于截至目前最先进方法的卓越性能，包括深度学习方法，在 MOTA 上的边缘为 3.28％，在 HOTA 上的边缘为 2.36％，并且在处理延迟上提高了 59％。

May, 2024

通过融合 2D 图像与 3D LiDAR 点云的特征，学习度量，以及在无匹配目标检测时初始化跟踪，提出了一种概率、多模态、多对象跟踪系统，实现了比现有技术更鲁棒、数据驱动的多对象跟踪。

Dec, 2020

本文提出了一种新颖的多模态多目标跟踪算法，用于自动驾驶汽车，该算法结合了相机和 LiDAR 数据。通过使用先进的 3D 物体检测器处理相机帧，以及使用经典的聚类技术处理 LiDAR 观察数据。该算法由三个步骤的联合过程、用于估计每个检测到的动态障碍物运动的扩展卡尔曼滤波器，以及轨迹管理阶段组成。与大多数先进的多模态目标跟踪方法不同，该算法不依赖地图或车辆全局姿态的知识。此外，它专门针对相机使用 3D 检测器，并且对使用的 LiDAR 传感器类型不敏感。该算法在仿真环境和实际数据中进行验证，并且结果令人满意。

Mar, 2024