- AAAI学习非均匀超图进行多目标跟踪
本文提出了基于非均匀超图的近实时多目标跟踪算法，使用结构支持向量机自动学习不同程度的依赖关系的超边权重来建模各种依赖关系，实验结果表明我们的方法在各种具有挑战性的数据集上均优于现有的多目标跟踪方法。
- 使用深度学习候选人筛选和个体重新识别实现多人实时跟踪
本研究提出了一种在线多目标跟踪方法，通过收集检测和跟踪的输出，利用基于完全卷积神经网络的新型评分函数处理不可靠检测，并采用深度学习出的外貌特征来提高跟踪的识别能力。该方法在人员跟踪基准测试中达到了实时和最先进的性能。
- CVPR通过动画跟踪：多物体注视跟踪的无监督学习
提出了一种称为 “Tracking-by-Animation” 的跟踪框架，通过利用可微分的神经模型对多个对象进行跟踪，并在重构帧中动画化这些对象，从而实现了无需标记数据的端到端 MOT 学习。同时进一步提出了优化数据关联的 “Reprio - 跟踪，然后决策：基于视觉的多目标跟踪与类别无关
本文提出了一种基于分割掩码的跟踪器，使用无分类模型的多目标跟踪方法来跟踪物体，该方法能够利用语义信息以及跟踪未知对象，并能够发现和跟踪大量其他对象，并取得了与最先进的基于检测的跟踪方法相当的性能。
- 基于视觉追踪和检测的水下多机器人编队控制
本研究提出了一种基于视觉检测的强大的多机器人编队方案，该方案可以在三维未结构化环境下跟踪目标，通过我们的解决方案，成功控制了一只腿部的水下机器人以五个自由度追踪另一台机器人的运动。
- 实时多目标跟踪 - 速度重要性的研究
通过多目标跟踪器和 Hungarian Algorithm 方法解决了运动物体的跟踪问题，并在 Okutama-Action 数据集上进行了测试表明实时运行时性能存在较大损失，需要进一步研究。
- 深度动作特征用于视觉跟踪
本文提出一种通过深度学习中的运动特征与外观特征结合的方法，以提升视觉跟踪的精度与稳定性。经过广泛实验验证，该方法在视觉跟踪中表现出了较高的性能。
- 判别式尺度空间跟踪
本文提出了一种利用相关滤波器进行目标尺度估计的跟踪方法，该方法可以有效地提高计算效率并在 OTB 和 VOT2014 数据集上优于 19 个和 37 个最先进的跟踪器。
- CVPR训练集自适应去污染：判别式视觉跟踪的统一公式
提出了一种用于跟踪的检测框架的新方法，该方法通过估计样本质量来动态地管理训练集并降低损坏样本的影响，并通过在目标外观模型和样本质量权重上最小化单个损失的统一公式实现，最终在三个数据集上实现了最新的结果提升。
- 稀疏空间监督下的人类行为定位
提出了一种利用稀疏空间监督的方法来进行时空人类行为定位，该方法结合了最先进的人类检测技术和基于检测的跟踪方法来提取人物轨迹，并使用稀疏的空间标注帧来选择正负管道，以实现有效地学习基于稠密轨迹或 CNN 的时空动作检测器。
- CVPR超越局部搜索：基于实例的提案实现目标追踪
本文提出了一种物体跟踪方法，通过实例特定的物体性度量产生 “高质量” 提议，并更新物体模型，以集中处理这些提议中的困难误报，并学习按对象模型对提议重新排名，在流畅跟踪移动对象和超低帧速率视频方面表现良好。
- ICCV在线目标跟踪及提议选择
本文提出了一种通过采用基于几何变换估算的新建议并运用多种线索的选择策略，来跟踪在对象可能经历严重旋转等多种变换下的的目标进行追踪，并在多个数据集中获得最佳性能。
- 在边缘框提议上追踪随机移动对象
该论文提出了一种基于实例特异的物体质量度量生成优质提案的目标跟踪方法，并通过更新物体模型及学习提议的重排序来减少困难背景干扰物，以提高跟踪系统的鲁棒性，该方法在常见的跟踪基准测试中，性能优异，在快速运动物体以及超低帧率视频中表现出强大的鲁棒 - 学习跟踪以进行时空动作定位
这篇论文提出了一种有效的方法，通过联合静态和运动的 CNN 特征对视频进行帧级别的检测，并通过目标追踪、运动直方图和滑动窗口法实现了时空行为定位，其准确性比现有方法提高了 15％至 12％不等。
- FollowMe: 有界内存和计算的高效在线最小费用流跟踪
本研究提出了一种动态算法，通过复用计算来优化数据关联问题，同时解决在线情况下的数据关联问题，实现具有有界内存和计算能力的近似在线解决方案，该方法能够在实时进行跟踪，并展示了在 KITTI 和 PETS2009 数据集上的表现