本研究提出了UASTrack框架，解决了现有RGB-X跟踪器在单一目标跟踪中对模态自适应感知关注不足的问题。通过Discriminative Auto-Selector和Task-Customized Optimization Adapter，该框架显著提升了跟踪性能，且训练参数极少，具有广泛的实际应用潜力。

本研究提出了一种CRTrack半监督多目标跟踪方法，旨在解决低光照环境下数据集不足和注释成本高的问题，增强模型对噪声伪边框的抵抗力，从而显著提升跟踪性能。

本文探讨了多目标跟踪（MOT）中的数据关联问题，提出了近似动态规划跟踪（ADPTrack）和分层IoU跟踪框架（HIT）等新方法，显著提升了跟踪性能，尤其在复杂场景中表现优异。这些方法在多个基准测试中取得了最佳结果，展示了良好的实际应用潜力。

本研究提出了一种鲁棒的两阶段关联跟踪器RTAT，通过生成高纯度的轨迹段并利用消息传递图神经网络合并为完整轨迹，提升了跟踪性能。在MOT17和MOT20基准测试中，RTAT排名第一，展现了优秀的跟踪能力和实际应用潜力。

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。