创新点：（IDS）

大多数多目标跟踪的好方法依赖于每帧的独立检测，把检测结果分组成短但是可依赖的轨迹片段，之后进一步把轨迹片段分组，形成长轨迹。这一分组通常依赖于强加的本地平滑约束而非总是依赖于在轨迹上强加更多的全局平滑约束。本文提出了一种能够通过使用行为模式来增加全局一致性的非马尔科夫方式来指导跟踪算法。当与最先进的跟踪算法联合使用时，表现更为出色。

多目标跟踪最先依赖于卡尔曼滤波，随后是粒子滤波。但是，由于他们的递归特性，当用于拥挤环境下的目标跟踪时，这些方法易于identity switches并且有轨迹碎片。在大多数极好的方法中，方法是在每帧单独检测物体，将检测分成短但可信的轨迹片段，然后进一步把轨迹片段分组，以形成长轨迹。

贡献：

①提出了一种将行为模式与分配给他们的轨迹进行关联的能量函数。用该能量函数推理全局模式，并且以一种非马尔科夫的形式指导一种MOT算法。

②非监督的训练模式。给定输入轨迹，在能够最大化能量函数的学习模式之间进行迭代。并且可通过连接检测改善轨迹以最大化相同能量。当原始轨迹来自于真实的标注数据，模式无需进一步的迭代，可被简单的学得。在运行时间，先前所学到的模式可以被用于改善由原始算法或其他算法所产生的轨迹。

本文方法可以提升多目标跟踪的性能，以监督的方式提升7%，以无监督的方式提升5%。这主要归功于目标间身份转换（identity switches）的下降。