本文提出了一种名为Tracklet Association Tracker（TAT）的新型多目标跟踪框架，旨在将特征学习和数据关联高效地融合在一起，通过双层优化公式实现，以使关联结果可以直接从特征中学习。同时，为了提高性能，本文采用了流派融合、对齐和选择等方法，在MOT2016和MOT2017基准测试中均取得了最先进的性能等级。

Aug, 2018

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

本研究提出一种基于图神经网络的联合多目标跟踪方法，通过优化检测和数据关联模块，兼顾准确性和运行效率，成功在多个MOT数据集上实现了最先进的性能表现。

Jun, 2020

本文提出一种新的学习可伸缩图匹配方法，用于解决目前多目标跟踪（MOT）任务中的数据关联问题，该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异，同时在多项标准MOT数据集上取得了最先进的性能。

Mar, 2021

本文探讨了多目标跟踪中的tracking-by-detection模式，结合运动模型与数据驱动技术，使标准的re-identification网络在外观跟踪方面取得了极佳的结果，并在四个公共数据集上实现了最先进的表现。

Jun, 2022

本研究针对大规模多目标跟踪(MOT)数据集中存在的类别过多、类别相似等问题，提出了一种新的评价指标Track Every Thing Accuracy (TETA)，并介绍了一种新的跟踪器Track Every Thing tracker (TETer)，并利用Class Exemplar Matching (CEM)进行跟踪，实验证明了TETA和TETer在BDD100K和TAO等大规模数据集上相对于现有技术的显著提升。

Jul, 2022

通过Decomposed Data Association（DDA）和Occlusion-aware Non-Maximum Suppression（ONMS）模块的有针对性的利用，提出了一种名为DeconfuseTrack的多目标跟踪器，显著提高了多个常用跟踪器的性能，并在MOT17和MOT20测试集上取得了最先进的性能，明显优于基线跟踪器ByteTrack，验证了我们的跟踪设计在简单全局关联引起的混淆问题上具有有效的减少混淆的能力。

Mar, 2024

我们提出了一种新颖的基于Transformer的模块，用于解决多目标跟踪中的数据关联问题。该模块使用来自边界框的坐标来估计来自两个不同时间窗口的轨迹对之间的亲和度分数。通过将TWiX插入到在线级联匹配流水线中，我们的跟踪器C-TWiX在DanceTrack和KITTIMOT数据集上实现了最先进的性能，并在MOT17数据集上取得了竞争性的结果。

Mar, 2024

一个名为ADA-Track的新颖框架对多视角相机的3D多目标跟踪进行端到端的研究，利用可学习的数据关联模块和基于边缘增强的交叉注意力，同时结合检测和数据关联任务，以实现更好的效果。

May, 2024

本研究针对多目标跟踪(MOT)领域中的传统封闭词汇跟踪(CV-MOT)和开放词汇跟踪(OV-MOT)各自面临的局限性，提出了统一的框架“关联所有探测到的对象(AED)”。该方法通过引入强大的特征学习，无需先验知识，兼顾CV-MOT和OV-MOT的性能，显著提升了在未知类别跟踪中的表现。最显著的发现是，AED在多个数据集上如TAO、SportsMOT和DanceTrack”等较现有方法表现更优。

Sep, 2024