- 多时间段城市发展 SpaceNet 数据集
本研究基于多元时间城市发展卫星数据集 (MUDS)，利用计算机视觉技术和时间序列分析方法来跟踪建筑物，评估城市化和人造或自然灾害的进程。
- ICCVSFTrack++：一种快速可学习的光谱分割方法，用于时空一致跟踪
本文提出了一种基于谱聚类的目标追踪方法 SFTrack++，其中通过多通道输入和分割映射的方式来提高算法的追踪效果，同时在 OTB、UAV、NFS、GOT-10k 和 TrackingNet 等多个数据集上进行了实验验证，结果表明该方法具有 - ICCV第一人称视角对物体跟踪具有挑战吗？
本研究的主要目的是在 FPV 环境下，对最新的视觉追踪算法进行系统性分析，以理解人 - 物互动。通过对大量数据进行分析，结果表明需要更多的研究来利用这一技术来提高 FPV 的效果。
- 图注意力跟踪
本文提出了一种简单的基于目标感知的 Siamese 图注意力网络解决视觉跟踪中的相似性匹配问题，通过建立完全二分图建立目标和搜索区域之间的部分对部分对应关系，并应用图注意力机制从模板特征传播目标信息到搜索特征，使用目标感知区域选择机制适配不 - 学习用于机器人操作的 3D 动态场景表达
介绍了一种通过同时发现、跟踪、重构对象及预测其动态来捕获三个关键对象属性的三维动态场景表示方法 DSR，基于此提出了 DS 核网络 DSR-Net 模型，在建立和优化 DSR 模型的过程中逐渐聚合视觉观测，并在仿真和实际数据上实现了 3D - AAAISeCo: 探索序列监督以实现无监督表示学习
本文探索了三个不同侧重的监督学习方式，并借此提出了一种名为 SeCo 的序列对比学习方法，可以优化行动识别、物体追踪等任务的结果。
- ICML应用于多目标跟踪的可抬升的不相交路径
介绍了一个新的算法 —— 提升拆分路径问题，通过引入提升边来提供路径连接性先验。提出了几类线性不等式的问题，同时提出了有效的割平面算法。提升拆分路径问题是多目标跟踪的一种自然模型，能够以优美的数学形式表示长时间范围内的相互作用。通过提升边可 - 基于中心点的三维物体检测与跟踪
本文提出了使用基于点的方法代替基于盒子的方法进行三维物体的探测、跟踪及定位，并介绍了该方法中的 CenterPoint 框架，该框架检测对象的中心，然后针对其进行其他属性的回归，简化了物体跟踪，最终在 nuScenes 基准测试中达到了 6 - CVPR多目标追踪的准密度相似性学习
本论文介绍了半密集相似性学习及其对多目标跟踪的应用，通过对图像中的数百个区域提出了新的对比学习方法。最终得到的特征空间具有简单的最近邻搜索和良好的在线跟踪性能。该算法在多个数据集上取得更好的 MOTA 性能以及减少 ID 切换的效果。
- TSDM：基于 SiamRPN ++ 的跟踪器，包含深度修正器和掩码生成器
本文提出了一个名为 TSDM 的 RGB-D 跟踪器，该跟踪器通过使用深度信息提高了目标检测的效果，并在 Princeton Tracking Benchmark 和 Visual Object Tracking Challenge 测试中 - MM在线实时物体跟踪算法及其极小矩阵实现
本研究旨在通过基于共享内存多核的吞吐量并行化技术，加速在线实时目标跟踪应用程序的运行。
- 基于视网膜事件的端到端目标动态估计的学习，用于事件驱动的目标跟踪
本文提出了一种基于事件相机和深度神经网络的实时物体追踪方法，使用同步时间表面和线性时间衰减表示异步视网膜事件的信息，并通过独创的神经网络模型处理各种复杂的情况，如快速动态和低照度条件等使得实验结果表明该方法优于以往传统的物体追踪方法。
- 自适应时间表面上的异步检测跟踪用于事件驱动目标跟踪
本文提出了异步事件跟踪（ETD）方法，基于异步视网膜事件以及自适应时间表面与线性时间衰减（ATSLTD）算法。该方法实现了在具有较高时间分辨率的情况下，对包围框对象的准确和高效跟踪。实验结果表明，相对于传统摄像头或事件相机的七种常用对象跟踪 - 使用卷积神经网络进行轨道上组装辅助相对姿态估计
本篇论文使用卷积神经网络用于辅助空间装配任务中的物体追踪和位姿预测，通过模拟器生成的数据集训练后，证明该模型相对于其他基于手工特征提取的方法更加稳健可靠。
- CVPR利用掩膜传播对视频中的物体实例进行分类、分割和跟踪
MaskProp 方法采用 Mask R-CNN 对视频中的物体实例进行同时分类、分割和跟踪，通过添加掩码传播分支来适应视频序列，并最终将产生的密集剪辑级实例跟踪汇总，以产生视频级物体实例分割和分类结果。
- AAAI元学习实现的实时物体跟踪：高效模型自适应和单次通道剪枝
本文提出了一种新颖的 meta-learning 框架，用于实时物体跟踪，其中实现了高效的模型自适应和通道修剪，并通过精心设计的跟踪模拟来训练元跟踪器，显著提高了跟踪性能。
- 高速运动物体的子框外观与 6D 姿态估计
本论文提出了一种名为 TbD-3D 的方法，可以同时跟踪快速运动的非均匀球形物体的 3D 运动轨迹、3D 姿态和物体外观变化，并提出了一组新的具有挑战性的数据集，用于验证该方法。
- ICCV学习跟踪任意物体
本研究通过将类别特定的外观模型重新定义为通用的物体状态预测，在两种大规模跟踪基准测评（OxUvA 和 GOT）中实现了最先进的结果，并通过添加一个 mask 预测分支，为跟踪的对象生成实例分割掩模。
- 重构轨迹和轨迹重构
本研究提出了 MOTSFusion 方法，使用 3D 重建数据改进目标追踪，并使用 2D 光流组成短轨迹，使用 3D 运动信息将这些轨迹合并为长期轨迹，实现对长时间目标完全遮挡下的跟踪。在 KITTI 数据集上的实验表明，相对于其他方法，本 - Rescan: 室内 RGBD 扫描的归纳式实例分割
我们提出了一种算法，它可以通过分析建筑内部的 3D 扫描结果和语义实例信息，对建筑中的物体进行追踪，最终的实验结果表明，我们的算法在这一领域取得了比当前最先进网络更出色的表现。