本文研究了带文本描述的多目标跟踪（RMOT），提出了一种名为MEX的内存高效模块，显著提升了跟踪器性能，尤其在内存受限环境中。研究表明，该方法提高了HOTA跟踪得分，并优化了内存使用和处理速度。

该研究引入了Semantic Multi-Object Tracking (SMOT)技术，旨在估计物体的轨迹并理解与轨迹相关的语义细节。同时，介绍了用于SMOT的大规模基准测试集BenSMOT，并提出了专门为SMOT设计和训练的新型跟踪器SMOTer。该研究的目标是推动跟踪领域朝着了解视频的新方向发展。