本文介绍了一种解决多物体跟踪算法中身份切换问题的新的训练流程，通过构建丰富的训练数据并利用其学习得分函数，既可以使用简单的几何特征，也可以使用外观更为复杂的特征，我们的方法在多个 MOT 跑分中均优于现有技术。

Nov, 2018

本研究提出了一种基于中心点检测架构的叫做 FairMOT 的简单而有效的方法来解决目标检测和 Re-ID 之间的竞争问题，该方法在多目标跟踪方面表现出色，在多个公共数据集上均优于现有技术。

Apr, 2020

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

该研究提出了一个统一的多目标跟踪框架，该框架通过利用长期和短期线索处理 MOT 场景中的复杂情况，并考虑潜在的身份交换原因（开关器）的影响，并结合了多个线索来提高鲁棒性，最终在挑战性的 MOT 基准测试中实现了最先进的结果。

Jan, 2019

提出了一个综合的多目标跟踪方法 STMMOT，该方法结合了目标检测和身份链接，能够在长时间内维持目标身份链接，并利用具有注意力机制的鲁棒时空记忆模块和动态查询嵌入来预测目标状态，消除了后处理的需求。

Dec, 2023

本文提出一种基于 “Mask R-CNN” 的新型跟踪框架，称为 “instance-aware MOT”，能够联合考虑实例级特征和对象运动来在静态或移动摄像机中跟踪多个对象

Jun, 2020

本文提出了一种名为 MotionTrack 的简单而有效的多目标跟踪器，它在统一框架中学习健壮的短期和长期运动，以将轨迹从短范围关联到长范围。通过在检测范例跟踪中嵌入 Interaction Module 和 Refind Module​​，在挑战性场景中，该方法在各种 MOT 指标上均实现了最先进的性能。

Mar, 2023

该论文提出了一种基于现有观测中心跟踪算法的新型多目标跟踪方法，采用新的迭代关联步骤大大提高了对具有均匀外观的目标的跟踪性能。

Apr, 2023

本文提出了一种跨领域 MOT 自适应方法，以先前的数据集为基础，并通过自我学习和更新来模拟新数据的获取过程，采用自监督学习的策略，实验结果表明在多项挑战性设置中，相比完全监督、无监督和自监督的最新方法，该方法在跟踪度量 MOTA 和 IDF1 上具有卓越表现。

Jun, 2023

该研究提出了一个通用的、传感器无关的多模态多目标跟踪框架，通过在数据关联过程中编码点云的深度表示，使每种模态能够独立执行其职能以保证其可靠性，并通过新型的多模态融合模块进一步提高其精度。该框架在 KITTI 基准上的表现达到了最新水平。

Sep, 2019