本研究提出了一种基于姿态的虚拟标记方法（Sports-vmTracking），用于解决3x3篮球中的多目标追踪问题。通过构建姿态数据集和应用主动学习，实验结果表明该方法显著提高了追踪准确性，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。

TrackFormer是一种基于变压器架构的多目标追踪方法，利用注意力机制实现数据关联，表现优异。研究中提出了多种基于变压器的跟踪模型，如MTTR、RMOT和MUTR，结合视频和文本数据，提升了目标跟踪的准确性和性能。此外，MeMOTR和MMHT等新模型在多模态跟踪中展现了竞争力，解决了传统方法的不足，具有广泛应用前景。

本研究探讨了在极地成像、航空摄影和无人机平台下的异常检测有效性，强调综合检测优于简单检测，适用于搜索救援、野生动物观察和早期野火监测等领域。同时，研究提出了一种基于深度强化学习的自主建模方法，解决了多目标追踪和群体导航问题，并在复杂环境中取得显著效果。

该研究论文介绍了一种基于机器学习的无人机检测系统，结合相机和雷达数据进行三维物体检测和多目标追踪，显著提升了检测性能，符合ED 324 / ARP 6983标准，增强了自动驾驶中的物体识别能力。

本文介绍了新的多目标追踪数据集SportsMOT，旨在提升运动跟踪器的性能。通过MixSort框架，结合外观和运动关联，取得了在SportsMOT和MOT17上的最佳表现。数据集包含200个足球视频序列，提供完整注释，以改善球员、裁判和球的跟踪效果。

CoachAI羽毛球项目旨在自动检测比赛视频中的羽毛球事件。尽管对TrackNet模型进行了修改，准确度仍未达标。为提升检测精度，采用多种深度学习方法处理噪声数据，最终在挑战中获得0.78分。研究还探讨了多目标追踪和击打帧检测，以帮助运动员和教练提高表现评估能力。

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。