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

本文提出了一种在线多目标跟踪算法，该算法将单目标跟踪和数据关联方法的优点融合在统一框架中，以处理嘈杂的探测和目标之间频繁的交互，并在多目标跟踪基准数据集上展示出较好的性能。

Feb, 2019

提出一种应用注意力度量编码来解决自动驾驶场景下多目标跟踪问题的方法，此方法通过软性数据关联来聚合所有物体检测的信息，从而使得模型能够在数据驱动的方式下推理出目标物体的遮挡情况并进行跟踪，实验结果表明该方法在规模较大的数据集上优于现有的视觉多目标跟踪技术。

Aug, 2020

我们提出了一种数据驱动的方法，使用卷积神经网络（CNN）在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪（MOT）。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题，可以在处理复杂情况下准确跟踪物体并获得优异结果。

May, 2019

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

提出了一种名为 Chained-Tracker（CTracker）的简单在线模型，它自然地将物体检测、特征提取和数据关联三个子任务集成到了一个端到端的解决方案中，并且采用了链式结构和成对关注回归技术，将 MOTA 记录提高到了 67.6 和 66.6，在 MOT16 和 MOT17 挑战数据集上实现了简单、快速、有效的多目标跟踪。

Jul, 2020

本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统，并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低，为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入（SDE）学习相比，其跟踪准确性相当。

Sep, 2019

提出了 UA-Track，一种能够解决 3D 多目标跟踪中存在的不确定性问题的框架，包括不确定性感知解码器、不确定性引导的查询去噪策略以及借助不确定性降低查询不确定性的方法。在 nuScenes 数据集上，UA-Track 在测试集上取得了 66.3% 的 AMOTA，超过了之前最佳的端到端解决方案 8.9% 的 AMOTA。

Jun, 2024

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

本研究提出了基于深度学习的数据关联方法来解决多目标跟踪中的数据关联问题，并在 MOT15、MOT17 和 UA-DETRAC 等数据集上通过 12 项指标的评估证明该方法是当今最佳的技术之一。

Oct, 2018