複数のカメラ（広い基線を有する）からの入力に対して、多人数の3次元姿勢推定とトラッキングを実現するVoxelTrackを提案する。本手法は、環境内のすべての人々の3次元姿勢と再識別（Re-ID）特徴を同時に推定するマルチブランチネットワークを採用している。従来の手法が、ノイズを含む2次元姿勢推定に基づいて視点間対応関係を構築する必要があったのに対し、本手法は、複数視点画像から構築された3次元ボクセル表現から直接3次元姿勢を推定・追跡する。まず、3次元空間を規則的なボクセルに離散化し、各視点から逆投影されたボディジョイントのヒートマップを平均することで、各ボクセルに対して特徴ベクトルを計算する。その後、各ボクセルに特定のボディジョイントが存在するかどうかを予測することで、ボクセル表現から3次元姿勢を推定する。同様に、各ボクセルに対してRe-ID特徴を計算し、時間的に推定された3次元姿勢を追跡する。本手法の主な利点は、個々の画像に基づくハードな判断を回避できることにある。そのため、一部のカメラで人物が重度に遮蔽されている場合でも、安定して3次元姿勢を推定・追跡できる。本手法は、Shelf、Campus、CMU Panopticの3つの公開データセットにおいて、最先端手法を大きく上回る性能を達成した。