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

本文提出一种基于“Mask R-CNN”的新型跟踪框架，称为“instance-aware MOT”，能够联合考虑实例级特征和对象运动来在静态或移动摄像机中跟踪多个对象

Jun, 2020

本文提出了一种名为DEFT的高效的联合检测和跟踪模型，它使用外观匹配网络和对象检测网络共同学习，并添加了LSTM来捕获运动约束，DEFT在应用于更具挑战性的跟踪数据时具有更高的健壮性。

Feb, 2021

本文介绍了一种名为MOTR的方法，它使用track query来建模整个视频中的跟踪实例，并引入了一种新的时域关系建模方法。实验结果表明，MOTR在HOTA指标上比现有技术ByteTrack提高了6.5%，在MOT17测试中，MOTR的关联性能也胜过了TrackFormer和TransTrack。

May, 2021

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

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

该研究提出了一种视频基于物体为中心的模型，通过适应物体为中心的插槽以及构建完整物体原型来处理遮挡，仅需要稀疏的检测标签进行物体定位和特征绑定，无需ID标签，并通过自我监督的期望最大化损失函数实现物体关联，实验证明了该方法在物体为中心的学习领域的卓越性能。

Sep, 2023

本文提出了一种简单而有效的两阶段特征学习模型，以共同学习不同目标的单帧特征和多帧特征，从而在跟踪过程中实现鲁棒的数据关联。通过引入单帧特征学习模块和多帧特征学习模块，可以有效地关联相邻帧之间的目标和长时间丢失的目标。通过简单的数据关联逻辑，所提出的VisualTracker能够基于单帧特征和多帧特征进行鲁棒的多目标跟踪，实验结果表明该方法在MOT17和MOT20数据集上取得了显著的改进，并在DanceTrack数据集上达到了最先进的性能。

Nov, 2023

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

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