描述了一个跟踪动物运动的自动化系统，并使用实时跟踪和多目标跟踪算法将动物的运动和行为控制与视觉反馈联系起来，以观察其神经基础，同时利用该系统测量果蝇飞行速度与视觉对比度的关系。

Jan, 2010

本研究提出一种基于深度强化学习的自主建模人工群体的方法，以解决手动创建过程时间复杂且不切实际的问题。该方法通过对静态和动态障碍物及阻力的建模，实现了多目标追踪和鲁棒群体形成，而采用的策略包括动态群体管理、避免障碍与追踪对象及岛屿建模。创新的基于策略的深度强化学习算法取得了显著的结果，表明该方法在复杂环境下显著提高了群体导航和追踪多个目标的能力。

Feb, 2022

本文介绍了一个旨在填补从陆基视觉系统到海基系统的差距的大规模视觉目标检测和跟踪基准（SeaDronesSee），我们从各种高度和视角，提供海拔，视角和其他元数据等相关信息，收集和注释了超过 54,000 帧，包括 400,000 个实例，并在此基础上评估了多个最先进的计算机视觉算法。

May, 2021

本文提出了使用分割为基础的两阶段方法来检测从其他飞行无人机发射的无人机，通过使用时空注意力线索来确保准确的定位，并以准确性优于其他基线的结果在两个无人机检测数据集上进行了评估。

Mar, 2021

提出了一种基于当前统计模型的卡尔曼粒子滤波（CSKPF）算法，用于多视角多目标三维跟踪场景，通过预测目标状态、估计目标状态协方差、抑制测量噪声以提高粒子采样效率，与现有基于恒定速度的粒子滤波（CVPF）方法相比，模拟实验和果蝇集群真实实验都证实了 CSKPF 方法在跟踪的完整性、连续性和精度方面的有效性。

Sep, 2023

我们提出了两种创新的数据驱动滤波方法，通过结合可训练的运动模型进行对象位置预测，并将观察结果与对象检测器的预测相结合，以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估，证明在对象跟踪方面，尤其是非线性运动模式的情况下，我们的滤波器优于传统的 Kalman 滤波器。

Feb, 2024

该论文考虑了在图像序列中检测和跟踪对象的问题，使用对象检测算法的输出作为测量，提出了一种扩展的过滤公式，将前一帧的类别信息纳入以增强分类的鲁棒性，即使对象检测算法输出错误的预测。此外，利用对象检测算法的属性量化了每帧中界定框检测的不确定性，该完整的过滤方法在瑞典四种大型食肉动物（熊、猞猁、狼和狼）的照相机陷阱图像上进行了评估，实验结果表明类别跟踪公式可以得到更强大的分类。

Oct, 2023

本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案，将 TrackletNet Tracker（TNT）和多视图立体技术相结合，能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。

Oct, 2019

本研究提出一种基于在线学习的跟踪问题新框架及其高效算法，并在模拟数据上与贝叶斯算法进行实验比较，结果表明当存在轻微的模型不匹配时，我们的算法优于贝叶斯算法。

Mar, 2012

文章研究了无人机导航中基于视觉的障碍物检测和跟踪问题，提出了一种实时的对象定位和跟踪策略，将对象检测和跟踪有效地集成到动态卡尔曼模型中，并使用卡尔曼滤波提供对象状态的粗略预测，而无需对其进行手动初始化，具有比同类技术更快的运行速度和竞争性的跟踪性能。

Mar, 2017