本研究提出一种基于图神经网络的联合多目标跟踪方法，通过优化检测和数据关联模块，兼顾准确性和运行效率，成功在多个 MOT 数据集上实现了最先进的性能表现。

Jun, 2020

该研究致力于使用动态无向图和图形神经网络来解决多目标跟踪问题，同时提供了有效的解决方案和建议，证明了使用任何现成的检测器提供的原始边界框就足以在具有挑战性的多目标跟踪数据集上实现有竞争力的跟踪结果。

Jan, 2021

本篇研究论文提出了一种基于学习的三维多目标跟踪方法，在公共数据集 nuScenes 上取得了近年来最好的性能表现，采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。

Apr, 2021

本文提出了一种基于消息传递网络的全可微分多目标追踪框架，可以直接在图形领域进行操作，实现对于整个检测集的全局推理和最终解决方案的预测，证明了在多目标追踪领域，学习不仅需要局部特征提取，还可以应用于数据关联步骤，并在三个公开基准测试中取得了显著的 MOTA 和 IDF1 改进。

Dec, 2019

该论文提出了一种改进的多目标跟踪方法，利用邻居之间的信息，通过构建邻居图和应用图卷积网络来学习图形特征，从而提高在线多目标跟踪的性能。

Jul, 2020

本文提出了一个以神经网络为基础的端到端框架，用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题，并利用预先学习好的神经网络进行求解，该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明，该框架能够提供更快的计算速度和更好的跟踪精度。

Jul, 2019

本论文提出了一个新颖的基于提议的可学习框架来解决多目标跟踪问题，该框架类似于 Faster RCNN，通过图聚类方法产生跟踪提议，并通过可训练的图卷积网络 GCN 来打分，实验结果表明这种方法在两个公共基准测试上比最先进的方法都有明显的性能提升。

Mar, 2021

本文提出了基于非均匀超图的近实时多目标跟踪算法，使用结构支持向量机自动学习不同程度的依赖关系的超边权重来建模各种依赖关系，实验结果表明我们的方法在各种具有挑战性的数据集上均优于现有的多目标跟踪方法。

Dec, 2018

本文提出一种新的学习可伸缩图匹配方法，用于解决目前多目标跟踪（MOT）任务中的数据关联问题，该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异，同时在多项标准 MOT 数据集上取得了最先进的性能。

Mar, 2021

本文提出了一个新的全局关联图模型与链接预测方法，以预测现有的 tracklets 位置并通过交叉注意力运动建模和外观重新识别将检测与 tracklets 链接起来，以解决由于不一致的 3D 对象检测引起的问题，并提高 nuScenes 检测挑战中标准 3D 对象检测器的检测准确率。实验结果表明，该方法在现有基于视觉的跟踪数据集上表现出了 SOTA 的性能。

Apr, 2022