提出了一种用于 3D 单目标跟踪任务的点级流方法，命名为 FlowTrack，通过估计目标中的每个点的流，能够捕捉目标的局部运动细节，提高跟踪性能，并有效地汇聚局部运动信息来获取全局目标运动。在 KITTI 数据集上有 5.9% 的性能提升，在 NuScenes 数据集上有 2.9% 的性能提升。

Jul, 2024

通过 EasyTrack 提出一种新的一次性转换器 3D SOT 范例，利用点云跟踪特征预训练模块、统一的 3D 跟踪特征学习和融合网络，以及在密集鸟瞰特征空间中构建的目标定位网络，显著提高了 KITTI、NuScenes 和 Waymo 的性能，并具有较低的参数和高帧率。

Apr, 2024

本文介绍了 DOT，一种新颖、简单且高效的方法，用于解决点追踪中存在的遮挡问题，并且通过最近邻插值计算粗糙的初始估计密集流场和可见性掩码，然后利用可学习的光流估计器对其进行精细化处理。实验证明 DOT 相较于当前的光流技术更加准确，在速度方面至少快两个数量级。

Dec, 2023

该论文提出了一种名为 CoTracker 的架构，它利用了光流和跟踪文献中的几个思想，基于变压器网络来模拟不同点在时间上的相关性，可以在一个视频中联合跟踪多个点，支持在任何时候添加新的跟踪点。该算法在几乎所有基准测试中都优于最先进的方法。

Jul, 2023

通过光流技术自然捕捉像素级组织变形并自适应地校正被追踪模板，Ada-Tracker 方法采用了短期动态建模和长期动态建模，实现了在手术场景中更准确且更稳健的软组织跟踪。

Mar, 2024

本文提出了一种简单、快速而准确的目标检测和跟踪算法 CenterTrack，它可以同时进行检测和跟踪，且在线实时运行，是当前最先进的算法之一。

Apr, 2020

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

我们提出了一种自我监督的像素级追踪模型，名为 PIPsUS，该模型可以在单次前向传递中追踪任意数量的点，并利用多个而不仅仅是连续的帧考虑时间信息。我们的方法在颈部和口腔超声以及超声心动图上进行了评估，与快速归一化互相关和调整的光流相比，显示出更高的点追踪准确性。

Mar, 2024

本研究介绍了一种名为 SceneTracker 的基于学习的长期场景流估计（LSFE）网络，通过迭代方法来近似最优轨迹，并同时动态索引和构建外观和深度相关特征，并采用 Transformer 探索和利用轨迹之间的长程连接。通过详细实验，SceneTracker 展示了处理三维空间遮挡和深度噪声干扰的卓越能力，非常适合 LSFE 任务的需求。SceneTracker 的代码可在此 URL 获取：https:// 该网址。

Mar, 2024

Echocardiography 的机器学习方法，具备解释性且适用于多视频训练，实现了心脏疾病的诊断和解释，尤其在主动脉瓣狭窄的检测中具备高准确性。

Aug, 2023