本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统，并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低，为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入（SDE）学习相比，其跟踪准确性相当。

Sep, 2019

Co-MOT 是一种简单有效的方法，通过阴影概念的新颖合作竞争标签分配来促进端到端的多目标跟踪，使得标签分配策略更加平衡，以优越的性能获得追踪表现。

May, 2023

提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法（MotionTrack），它由基于 Transformer 的数据关联（DA）模块和基于 Transformer 的查询增强模块组成，同时实现了多目标检测（MOD）。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果（AMOTA 得分为 0.55），与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。

Jun, 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

在多目标跟踪中，我们将目标关联任务视为一种端到端的上下文 ID 预测问题，并提出了一种简化版的 MOTIP 方法，通过直接预测当前帧中物体的 ID 标签来学习跟踪能力，从而避免了繁琐的手工算法。我们的方法在复杂场景中表现出色，并与其他基于 Transformer 的方法在 MOT17 上竞争力十足，展示出了显著的潜力，可作为未来研究的起点。

Mar, 2024

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

本文介绍了一种新型的自动生成训练数据代码库，以及改进了最先进的多目标跟踪和分割方法。文章提出了跟踪挖掘算法和 MOTSNet 的深度学习跟踪方法，并在 KITTI MOTS 数据集上取得了显著的性能提升。

Dec, 2019

本论文将多目标跟踪扩展到多目标跟踪和分割（MOTS）。为此，我们使用半自动注释程序为两个现有的跟踪数据集创建密集的像素级注释。通过我们的新注释，我们提出了一个新的基线方法，该方法使用单个卷积网络共同处理检测、跟踪和分割。我们演示了我们数据集的价值，在 MOTS 注释上训练可以提高性能，我们相信我们的数据集、指标和基线方法将成为开发超越 2D 边界框的多目标跟踪方法的宝贵资源。

Feb, 2019

提出一种实例感知跟踪器，结合单个物体跟踪和卷积神经网络技术，用于多物体跟踪，提高跟踪准确性。在 MOT15 和 MOT16 基准测试上表现最佳。

Feb, 2019