引入基于深度学习的运动建模网络（DMM-Net）估算多个物体的运动参数，可用于联合检测和关联，以解决现有方法中深度模型过于依赖检测器、评估结果受检测器影响的问题。通过运用 DMM-Net 构建的 Omni-MOT 数据集，消除了检测器对多目标跟踪性能评估的影响，该方法取得了比传统方法更好的性能，速度更快。

Aug, 2020

本文提出不同 iable 的 MOTA 和 MOTP 的替代方法，并结合适合深度多对象跟踪器的损失函数，使用深度匈牙利网络（DHN）模块来近似匈牙利匹配算法，从而直接优化深度跟踪器，从而在 MOTChallenge 基准测试中建立了新的最佳状态。

Jun, 2019

本文综述了利用深度学习模型解决单摄像头视频的多目标跟踪任务的研究，总结了该任务中的四个主要步骤，并深入探讨了如何在每个步骤中利用深度学习。此外，还提供了对三个 MOTChallenge 数据集中所呈现的工作的完整实验比较，并确定了最优解方法之间的若干相似之处，提出了一些可能的未来研究方向。

Jul, 2019

本文提出了一种多模态传感器模块化框架，用于实现在线多目标追踪，并对该方法进行了实验证明其在真实场景下对自主驾驶领域有重要的应用。

Feb, 2018

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

本文总结了目前三维多目标跟踪方法并提出了 SimpleTrack 算法，指出了现有方法的缺陷并为其提出改进方案；在 Waymo Open Dataset 和 nuScenes 数据集上得到了新的最佳结果。本文还分析了现有数据集对算法真实能力的反映以及剩余失败情况的分布和原因，并提出了未来三维多目标跟踪的研究方向。

Nov, 2021

MoD2T 是一种结合了传统数学建模和深度学习的多对象跟踪方法，提高了物体运动确 定性和跟踪精确度；通过 MVFI 度量标准评估效果，在多种场景下都取得了显著的成绩。

Dec, 2023

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

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

提出了一种基于运动感知的单目三维多目标跟踪（MoMA-M3T）框架，通过在时间帧内捕捉物体的运动线索，将历史物体轨迹与当前观察结果进行匹配，实现与最先进方法相媲美的性能。

Aug, 2023