本文讲述了如何通过反向传播学习网络流量数据关联的特征，通过应用到多目标跟踪中，消除了费用手工设计的烦恼，且在各种情况下测试表明相比手工设计费用，其效果更佳。
Jun, 2017
本文提出一种基于在线目标特定度量学习和协同动力学估计的方法，通过网络流优化来实现长期多人跟踪中的轨迹相关性关联。该方法利用外观和动态线索，避免跟踪时出现身份混淆，并恢复漏检。在跟踪过程中，学习和在线估计目标特定的度量（外观线索）和动态（运动线索），即使由于遮挡或对象间相互作用而无法识别或跟踪目标时仍有效。文中还提出了学习这两种跟踪线索的权重来有效处理严重遮挡和对象间相互作用等困难情况。该方法在多个公共数据集上验证，实验结果表明优于多种最先进的跟踪方法。
Nov, 2015
本文提出了一种新的基于人群密度图的多目标追踪（MOT）算法 —— 计数式追踪。通过联合建模检测、计数和跟踪多个目标为网络流算法，该算法同时找到全局最优的多个目标检测和轨迹。该方法在人员、细胞和鱼群跟踪等各领域的公共基准测试中表现出了良好的结果。
Jul, 2020
该论文提出了城市驾驶场景中多目标跟踪的几何和物体形状以及姿势成本方法，通过使用单目相机图像，基于三维线索，设计成对的目标跟踪成本，这些成本易于实现，可实时计算，可以结合任何优化框架以输出成对数据关联。同时，本文提出的方法在不同条件下的实验表明，可以显著提高多目标跟踪的效果，并且不依赖于选择的关联框架方法。
Feb, 2018
本文提出了一种基于 LiDAR 的三维多目标跟踪框架 FlowMOT，该框架结合了点运动信息和传统的匹配算法，通过使用匈牙利算法生成最优匹配关系来完成跟踪任务。实验结果表明，该方法胜过最近的端到端方法，并且在各种速度场景下可以稳定地工作。
Dec, 2020
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。
本文旨在研究不使用任何视频级联标签的自监督多目标跟踪问题，并通过不同 iable 可微分的软目标分配来解决问题，使用时间和多视图数据进行训练，从而获得关于目标的关联伪标签。与大多数依赖于学习特征对应关系预算任务的自监督跟踪方法不同，我们的方法直接优化于复杂情景下的交叉对象关联，为鲁棒的重新识别 MOT 方法提供了一种解决方案，不会受到 Minima 的影响。在 KITTI、Waymo、nuScenes 和 Argoverse 数据集上评估我们的模型，与其他无监督方法相比，一致提高了 nuScenes 上的关联精度（7.8%）。
May, 2023
提出了一种新的多目标跟踪算法 ISU-Net, 其使用了迭代放大扩展 IoU 算法，能够有效跟踪非线性运动的目标，并相比其他算法，具有更低的计算成本
Jun, 2023
本文提出一种混合数据关联框架，使用最小代价多商品网络流进行在线多目标跟踪，实现了全局优化的数据关联和本地目标特定模型相结合的目标。
Mar, 2017
通过将光流算法与深度学习架构相结合，提出了一种混合策略来实现实时目标追踪，实现了在追踪精度和计算成本之间的理想平衡，相比其他最先进方法在 MOTA 上达到了 0.608 的结果，并且运行时间减少了一半，准确性基本相同。
Aug, 2023