通过整合基于稀疏表示的粗粒度到细粒度搜索策略和加权多实例学习算法，我们提出了一种稳定且鲁棒的目标跟踪算法，用于解决遮挡、运动模糊、快速运动、光照变化、旋转、背景杂乱、低分辨率和帧间形变等问题，并通过在具有权重的重要样本上区分前景和背景特征，高效地开发了强分类器。实验结果表明，我们的方法在具有挑战性的基准数据集上进行了定量和定性分析，显示了其准确性和效率。

Jun, 2024

研究在线非参数回归算法，可以学习回归函数平滑的方向；基于回归函数梯度外积矩阵 G，学习 Mahalanobis 度量（可以自适应 G 矩阵的有效秩），同时考虑到 G 的频谱，限制在相同数据序列上的遗憾；作为分析的初步步骤，将 Hazan 和 Megiddo 的非参数在线学习算法扩展，使其能够竞争相对于任意 Mahalanobis 度量计量 Lipschitzness 的函数。

May, 2017

本文介绍一种基于非半正定线性相似性的学习算法，用于分类，该算法能够通过最优化距离和相似度函数来在非线性特征空间中学习，该方法得到应用后，在各种数据集上比起现有方法具有更好的效果，而且速度快、防止过拟合和产生非常稀疏的分类器。

Jun, 2012

本文提出了一个无需离线训练的在线学习方法，通过递归最小二乘算法辅助进行 few-shot 在线自适应学习，实现在模型中构建记忆保留机制，同时防止过度拟合和遗忘，有效提升了现代深度跟踪器的表现效率。

Dec, 2021

本文提出了一种新的度量学习方法，将其框架构建为学习一种稀疏组合的本地判别度量，这种度量可以从训练数据中生成，从而可以自然地推导出全局、多任务和本地的度量学习公式。通过数理分析和实验验证，本方法比现有方法具有更少的参数和更好的可扩展性，从而提高了分类性能。

Apr, 2014

本文提出了一种非线性局部度量学习方法（NLML），利用局部度量学习和深度神经网络的优点来学习多组非线性转换，通过在转换后的特征子空间中强制正面行人图像对的距离与负面对距离之间的边界，从而有效地利用识别信息，本文通过在公共数据集上进行实验，证明了该方法在人物重新识别方面取得了最先进的结果。

Nov, 2015

本文基于深度特征，提出了两种补充回归方法用于鲁棒视觉跟踪，包括核化岭回归和全卷积神经网络，最终将这两种方法的输出结合起来提高跟踪结果的准确率。

Jun, 2017

本文提出了一种基于实例到轨迹匹配的外观嵌入学习方法，可以处理在线多目标跟踪问题，该方法可以进行半监督学习，并且在多个数据集上都表现出了更好的性能。

Jul, 2021

本文介绍了一种自我监督的地理位置表示学习技术，使用无标注的 GPS 轨迹学习地理位置的语义特征并为地理计算机视觉任务提供特征表示，通过将 GPS 轨迹建模为地球表面的一些节点或像素，使用卷积、收缩自编码器学习压缩地理位置的可达性嵌入并取得了显著性能提升。

Oct, 2022

本文提出通过神经网络建立非度量相似度函数，从而学习图像的相似度度量与提高基于实例的图像检索表现，实验结果表明该方法在一些标准的图像检索数据集上表现出色。

Sep, 2017