GMT：一种适用于多目标多摄像头跟踪的鲁棒全局关联模型
通过构建一个新的数据集，以及引入一个轻量级的无外貌特征全局连接模型 (Linker)，结合再识别 (Re-ID) 方法，实现了在多移动相机环境下的多目标多运动摄像头 (MTMMC) 跟踪系统的显著改进，从而推进了多移动相机的协同挖掘。
Dec, 2023
本研究提出了一种创新的多摄像头车辆追踪系统，利用自监督的摄像头链接模型，自动提取关键的多摄像头关系来进行车辆匹配，并通过设置时空约束来支持跨摄像头匹配，在实际应用中具有显著的效率和成本效益改善，实验证明该方法在 CityFlow V2 基准测试中达到了自动摄像头链接方法的最新技术水平，IDF1 得分为 61.07%。
May, 2024
多相机多目标跟踪（MCMT）是一种计算机视觉技术，用于在多台相机上同时跟踪多个目标。本文介绍了一种名为 CityTrack 的新型 MCMT 框架，其中包括一种集成了各种先进技术的位置感知 SCMT 追踪器以及一种用于 ICA 模块的新颖的 Box-Grained Matching（BGM）方法，该方法能够解决城市交通场景中的困难。在 CityFlowV2 数据集的公共测试集上评估了我们的方法，并取得了 84.91% 的 IDF1 指标，在 2022 AI CITY CHALLENGE 中排名第一。我们的实验证明了我们的方法在克服城市交通场景带来的挑战方面的有效性。
Jul, 2023
我们提供了一个真实世界的大规模数据集 MTMMC，其中包括由 16 个多模态摄像机在校园和工厂两种不同环境中捕获的长时间视频序列，并涵盖各种时间、天气和季节条件。该数据集提供了一个具有挑战性的测试平台，用于研究多摄像机跟踪在多样化的真实世界复杂性下，并包括了空间对齐和时间同步的 RGB 和热像摄像机的额外输入方式，从而提高了多摄像机跟踪的准确性。MTMMC 是现有数据集的超集，有助于独立领域，如人员检测、重新识别和多目标跟踪。我们提供了关于该数据集的基线和新的学习设置，并为未来的研究设定了参考得分。数据集、模型和测试服务器将公开提供。
Mar, 2024
本文提出了一种新的多目标多摄像机跟踪框架，利用重识别模型，结合遮挡情况、目标朝向以及人体姿态信息，采用融合后的跟踪特征进行跟踪关联，有效地处理了目标识别和跟踪断点问题，并在多摄像机难度序列中取得了优秀的性能。
Jun, 2019
本论文提出了一种基于在线分治跟踪器的方法，其将分配问题分为本地子问题，并通过选择和组合最佳功能来解决问题，从而增强了跟踪性能，并通过两个不同数据集上的实验验证了该方法的优越性。
Sep, 2015
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
提出了一个综合的多目标跟踪方法 STMMOT，该方法结合了目标检测和身份链接，能够在长时间内维持目标身份链接，并利用具有注意力机制的鲁棒时空记忆模块和动态查询嵌入来预测目标状态，消除了后处理的需求。
Dec, 2023
该研究提出了一种名为 RelationTrack 的 MOT 框架，它使用全局上下文分离模块和引导变压器编码器来解决检测和重新识别的矛盾，并通过在性能上显著优于现有的算法来建立了新的最先进性能水平。
May, 2021