本文提出了一个新的、通用的指代多目标跟踪（RMOT）任务，其核心思想是利用语言表达作为语义线索来引导多目标跟踪的预测。作者构建了一个基于 KITTI 的可扩展表达基准 Refer-KITTI，并开发了一个基于变压器的 TransRMOT 架构来解决该任务，在线方式取得了令人瞩目的检测性能，并超越了其他对手。

Mar, 2023

通过插入可插拔的知识统一网络 iKUN，本文介绍了一种基于输入文本描述的多目标跟踪方法，其中使用知识统一模块 KUM 来自适应性地提取视觉特征，并引入了神经卡尔曼滤波器 NKF 来动态调整过程噪声和观测噪声，同时提出了测试时相似性校准方法来改进置信度分数，并通过扩展公共 DanceTrack 数据集，贡献了一个更具挑战性的数据集 Refer-Dance，从而加快了 RMOT 的发展。

Dec, 2023

通过使用 Unreal Engine 5 构建了一个名为 Refer-UE-City 的全新基准数据集，其中包括了交叉口监控视频中的人和车的外观和行为细节，并提出了一种多层语义引导的多目标追踪框架 MLS-Track，通过引入语义引导模块 (SGM) 和语义相关分支 (SCB) 逐层增强模型与文本之间的交互，实验结果表明该框架具有最先进的性能。

Apr, 2024

本论文提出 MOTRv2, 旨在通过一个预先训练好的物体定位器，启动端到端的多目标跟踪。利用额外的物体探测器来提高 MOTR 的性能，并排名第一，最终达到了先进的性能。

Nov, 2022

通过音频和视频融合的双流视觉变换框架，本研究提出了 EchoTrack 模型，解决了自动驾驶中的 Auditory Referring Multi-Object Tracking 问题，并建立了一套大规模的 AR-MOT 基准测试集。

Feb, 2024

本研究解决了传统多目标跟踪方法只针对少数预定义对象类型的固有限制，并提出了一种新的任务 Open-vocabulary MOT，进一步开发出一种数据效率优异的开放词汇跟踪器 OVTrack，通过知识蒸馏和数据幻觉策略有效提升图像分类和关联准确性，最终在大规模的 TAO 基准测试上取得了最新的最优效果。

Apr, 2023

本文介绍了一种统一的任务框架 Language-Guided MOT 和相关的大规模基准 LaMOT，旨在推动 Vision-Language MOT 领域的研究进展，并提出了一种简单而有效的追踪器 LaMOTer。

Jun, 2024

本文介绍了一种新的鲁棒性强的跟踪器，该跟踪器可以将运动和外观信息、相机运动补偿和更准确的卡尔曼滤波状态向量相结合，其新的跟踪器 BoT-SORT 和 BoT-SORT-ReID 在 MOTChallenge 的 MOT17 和 MOT20 测试集上均排名第一。

Jun, 2022

提出了一种自监督的重构 MOTS 框架，并在 CVPR 2020 的 MOTS 挑战中获得了第一名，该框架利用数据关联，引入阈值，通过短期轨迹训练外观编码器，达到对 MOTS 结果的精细化改进。

Jul, 2020

多模态目标跟踪是一个新兴领域，它利用来自各种模态的数据（比如视觉、深度、红外热像、事件、语言和音频）来估计视频序列中任意物体的状态。本研究综述了现有多模态目标跟踪任务，并分析总结了各个任务的常用数据集和主流的跟踪算法，重点关注了它们基于自监督学习、提示学习、知识蒸馏、生成模型和状态空间模型等技术范式。同时，在此网址上维护了一个持续更新的多模态目标跟踪论文清单。

May, 2024