本文提出了一种无监督单物体追踪器（USOT），通过一套有效的无监督学习方法，从三个方面解决了现有无监督追踪器的性能瓶颈，即移动对象发现、丰富的时间变化利用和在线更新，使用无监督光流和动态规划、Naive Siamese Tracker 和循环内存学习策略三个阶段的联合训练，达到了接近监督深浅追踪器水平的性能提升，且代码开源。

Aug, 2021

本文介绍了一个基于 WordNet 结构的大型跟踪数据库，名为 GOT-10k。GOT-10k 可以提供超过 10,000 个视频段，1.5 百万个手动标记的边界框，由此可以进行深度跟踪的统一训练和稳定评估。此外，该数据库还引入了一种名为 one-shot protocol 的跟踪器评估方法，可以促进跟踪器的发展。我们在 GOT-10k 上进行了广泛的跟踪实验，并分析了实验结果。

Oct, 2018

我们介绍了一种新方法，称为零样本通用多目标跟踪算法（Z-GMOT），它可以跟踪从未见过的物体类别，而无需预定义类别或初始边界框。我们使用 iGLIP 对 Z-GMOT 进行评估，结果表明在多个数据集上的表现优于现有方法。

May, 2023

该研究提出了一种视频基于物体为中心的模型，通过适应物体为中心的插槽以及构建完整物体原型来处理遮挡，仅需要稀疏的检测标签进行物体定位和特征绑定，无需 ID 标签，并通过自我监督的期望最大化损失函数实现物体关联，实验证明了该方法在物体为中心的学习领域的卓越性能。

Sep, 2023

本文介绍了一种名为 AOGTracker 的方法，用于在视频序列中同时跟踪，学习和解析（TLP）未知对象，使用分层和组合的 And-Or 图（AOG）表示方法。通过在线学习，使用潜在 SVM 来磨练 AOg 并解决背景中的干扰问题。通过实验表明，与现有算法相比，AOGTracker 具有更高的准确性和可靠性。

Sep, 2015

本研究通过将类别特定的外观模型重新定义为通用的物体状态预测，在两种大规模跟踪基准测评（OxUvA 和 GOT）中实现了最先进的结果，并通过添加一个 mask 预测分支，为跟踪的对象生成实例分割掩模。

Oct, 2019

本文介绍了一种名为 RTrack 的新型目标表示基准追踪器，该追踪器利用一组样本点来获取伪边界框，并自动排列这些点以定义空间范围和突出显示局部区域。我们还对训练潜力进行了深入研究，并引入了一对多的前导分配策略，该方法在 GOT-10k 数据集上实现了与最先进的追踪器竞争性性能，并将训练时间减少到了先前性能最佳追踪器的 10%。大量实验证明，我们提出的 RTrack 在更快的收敛速度下取得了最先进的结果。

Sep, 2023

本文提出了一种将外观和运动特征与几何信息显式结合以提供更准确跟踪的新型无监督 MOT 方法 UnsMOT，通过 CNN 和 RNN 模型提取外观和运动特征，构建对象的图形，并利用 GNN 模型和 CNN 特征输出经优化的对象几何嵌入，通过匹配提取特征和几何嵌入，找出对象之间的关联，实验结果显示与最先进方法相比，在 HOTA、IDF1 和 MOTA 指标上表现出色。

Sep, 2023

该论文提出了一种高效有效的联合注视位置检测（GL-D）和注视对象检测（GO-D）方法，通过统一的单阶段流水线同时检测人类注视位置和注视对象，实现了全面端到端的联合，进一步提高准确率。

Aug, 2023

通过开发一个基于不确定性的度量标准，以验证和矫正风险的关联，本论文提出了一种通过模拟 tracklets 运动来增强学习特征一致性的 tracklet-guided 增强策略，同时采用分层不确定性采样机制进行难样本挖掘。最终的无监督 MOT 框架，即 U2MOT，在 MOT-Challenges 和 VisDrone-MOT 基准测试中被证明有效，取得了领先于其他已发表的监督和无监督跟踪器的性能。

Jul, 2023