本研究提出了一种基于姿态的虚拟标记方法（Sports-vmTracking），旨在解决篮球多目标追踪中的挑战。通过构建3x3篮球姿态数据集并应用主动学习，实验结果表明该方法显著提高了准确性，平均HOTA得分达到72.3%。

本研究提出了一种基于外观的全球轨迹关联算法，解决了体育场景中玩家重新进入时的识别和ID切换问题。在SportsMOT数据集上，该方法实现了81.04%的HOTA分数，显著提升了多目标追踪性能。

本论文提出了一种基于Transformer的方法，可以自然地将短期和长期关联解耦并在线进行，实验证明该方法在多个数据集上取得了强大的性能，并在领域迁移方面具有优势。

本研究提出了一种基于深度强化学习的自主建模人工群体的方法，通过对障碍物和阻力的建模，实现了多目标追踪和鲁棒群体形成。该方法在复杂环境下显著提高了群体导航和追踪多个目标的能力。

该研究提出了一种简单的多目标追踪方法，通过两台摄像机实现。一台摄像机位于场地顶部，另一台位于场地侧面，可以追踪选手轨迹并分析像素特征。通过计算帧间相关性和利用两台摄像机信息，解决选手遮挡和重叠问题，实现选手轨迹跟踪和多角度分析。该系统揭示了羽毛球选手的位置和动作，对教练和自我训练有帮助，提高比赛策略。