基于元学习的 MAML MOT 方法用于解决行人多目标跟踪中的样本稀缺问题，提高模型的泛化性能和鲁棒性，取得了在 MOT 挑战赛上的高准确率，为行人多目标追踪领域的研究提供了新的视角和解决方案。

May, 2024

本文提供了一个行人数据集并且对最先进技术的一些强弱项进行了分析，对比了单次追踪和两阶段追踪，并得出单次追踪是较佳方案的结论。

Aug, 2022

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

本文介绍了一种基于多任务学习的模型，通过一个复合场景的框架实现了车载摄像头下的行人检测和 32 种行人属性的识别，其中包括道路等待行为的预测，结果在自动驾驶领域表现出竞争力和稳定性。

Dec, 2020

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

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

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

多目标跟踪在交通视频中是一个关键的研究领域，通过利用先进的机器学习算法，可以提高交通监控的准确性并促进道路安全措施。然而，现有的交通视频多目标跟踪数据集通常具有有限的实例或专注于单个类别，无法很好地模拟复杂交通场景中遇到的挑战。为了填补这一空白，我们介绍了 TrafficMOT，一个广泛的数据集，旨在涵盖具有复杂场景的多种交通情况。通过使用三种不同的设置来验证 TrafficMOT 所呈现的复杂性和挑战：完全监督、半监督和最近强大的零样本基础模型 Tracking Anything Model（TAM）。实验结果突出了该数据集的内在复杂性，强调其在交通监控和多目标跟踪领域推动发展的价值。

Nov, 2023