该论文提出了一种自动系统来跟踪和识别广播 NHL 冰球录像中的球员，它包括三个组成部分：球员跟踪、队伍识别和球员识别。通过使用现有的追踪算法来跟踪球员，将远离队的队服分组为单一类别，主队的队服按照颜色分组，训练了一个卷积神经网络来识别团队。还引入了一种新颖的球员识别模型，利用一维卷积神经网络来识别球员的边界框序列，进一步利用 NHL 比赛花名册数据来获得 83％的球员识别准确率。

Oct, 2021

本文提出了一种简单而高效的方法来同时检测和匹配运动员及其相关物体，无需增加额外的成本，通过对广播冰球视频数据集的评估，在冰球数据集上，所提出的方法将比赛成绩从 57.1% 提高至 81.4%，同时还将球员 + 球棍检测的 meanAP 从 68.4% 提高至 88.3%。

Apr, 2021

在这篇论文中，我们针对无人机移动场景中的多目标跟踪（MOT）的挑战，提出了一个新颖的通用视角匹配多目标跟踪（HomView-MOT）框架。我们引入了快速单应矩阵估计算法（FHE）来计算视频帧之间的单应矩阵，并利用多视角单应矩阵学习跨视角的标识特征，同时使用视角匹配滤波器（HMF）将不同时刻的物体边界框映射到一个共同的视角平面上进行真实的物体重叠度关联。经过广泛的实验证明，这些创新使 HomView-MOT 在著名的无人机 MOT 数据集 VisDrone 和 UAVDT 上实现了最先进的性能。

Mar, 2024

本篇论文提出了一种创新而有效的追踪方法 TrackletNet Tracker (TNT)，它将时间和外观信息结合在一起作为一个统一的框架来处理多目标追踪 (MOT) 的挑战，并相比其他最先进方法，在 MOT16 和 MOT17 基准数据集上取得了令人满意的结果。

Nov, 2018

提出了一种简单的方法来进行羽毛球场上的多目标追踪，利用两台即插即用摄像机，一台位于场地顶部，一台位于场地侧面。利用顶部摄像机追踪选手的轨迹，而侧面摄像机分析选手的像素特征。通过计算相邻帧之间的相关性并利用两台摄像机的信息，可以实现羽毛球选手的多目标追踪，解决了场上选手遮挡和重叠的挑战，提供了选手轨迹跟踪和多角度分析。该系统揭示了羽毛球选手的位置和动作，可作为教练或自我训练工具，帮助羽毛球选手提高比赛策略。

Aug, 2023

本文主要介绍了我们针对在复杂环境下的多目标跟踪挑战提出的方法，将其作为两个阶段的任务，包括人体检测和轨迹匹配，并具体设计了一个改进的人体检测器和一个位置匹配矩阵，使其在 DanceTrack 数据集上获得了高达 66.672 HOTA 和 93.971 MOTA 的成绩。

Dec, 2022

在本文中，我们提出了一种名为 MapTrack 的方法，利用概率图、预测图和协方差自适应卡尔曼滤波器的三个轻量级插件算法，通过增强经典跟踪器 DeepSORT 在拥挤和遮挡场景中的鲁棒性，实现在常用的多目标跟踪基准集（如 MOTS17 和 MOT20）上的最先进效果。

Feb, 2024

本研究提出了一种快速而准确的运动员追踪解决方案，通过结合几个模型以在相对较小的硬件上并行执行来追踪运动员，最终能够在高清视频上以 80 fps 的速度处理，可以达到一定的准确率。

Mar, 2020

本研究提出了一种增强型的运动感知多目标跟踪系统，集成了不同对象的多种运动模式，并引入动态重连上下文模块、三维积分图像模块等手段，取得了比其他先进跟踪器更为优越的高效性能。

Sep, 2020

本文提出了一个 hierarchical clustering 机制的跟踪框架，以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时，合并 tracklets，从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中，实验结果表明，我们的方法显著优于最先进技术。

Nov, 2018