本研究提出了一种利用单个卷积神经网络（CNN）实现在纯在线模式下学习目标对象有效特征表示的高效且非常强大的跟踪算法，其利用一种新颖的截断结构损失函数、稳健的样本选择机制和一种懒但有效的更新算法，使 CNN 在视觉跟踪中对遮挡或错误检测等难以处理的问题具有鲁棒性，在实验中，与现有跟踪器相比，该算法可以提高性能。

Feb, 2015

本文提出了一种新的基于卷积神经网络的目标跟踪方法，使用简单的两层卷积神经网络进行在线适应学习，能够生成鲁棒性较强的目标表示，并在 CVPR2013 数据集上的 50 个挑战性视频中表现优异。

Jan, 2015

使用卷积神经网络学习判别性显着图进行在线视觉跟踪，构建目标外观模型和特定显着图，实现像素级别的目标分割。

Feb, 2015

本文提出了基于多域卷积神经网络 (MDNet) 的快速和准确的视觉跟踪算法。通过加速特征提取过程和学习更有区分度的模型，以维护高分辨率特征图并对每个激活保持大的接受域，以增强目标和背景的表示质量。我们还引入了新的损失项，以区分多个领域中的前景实例，并学习具有相似语义的目标对象的更有区分度的嵌入。我们将这些技术集成到 MDNet 的管道中，实现了近 25 倍的加速，准确性几乎与 MDNet 相同。在多个流行的跟踪基准数据集中对我们的算法进行了评估，包括 OTB2015、UAV123 和 TempleColor，并且即使没有特定于数据集的参数调整，也始终优于最先进的实时跟踪方法。

Aug, 2018

本文基于卷积通道缩减技术将图像分类特征应用于视觉跟踪领域，提出了一种有效而实时的视觉跟踪器，不仅提取了目标的有用信息，而且大幅提高了跟踪速度，同时在两个基准测试中实现了最新的准确性。

Jan, 2017

本文研究采用卷积神经网络实现可视目标跟踪，解决应用 CNN 的瓶颈问题 - 数据不足，尝试采用离线预训练的方式进行知识迁移，该方法相比其他现有跟踪器有着显著的提高，并提出提出通过产生概率映射来跟踪目标.

Jan, 2015

本文提出了一种在线视觉跟踪算法，使用卷积神经网络来表示目标外观，并通过在树形结构中管理多个目标外观模型来实现目标跟踪。通过在树的不同分支中维护多个卷积神经网络，可以方便地处理目标外观的多样性，并通过沿树路径进行平滑更新来保持模型的可靠性。最终的目标状态通过在前一帧周围采样目标候选状态并在一组活动的卷积神经网络中识别最佳样本来估计。与现有技术相比，我们的算法在在线跟踪基准和视觉对象跟踪挑战等具有挑战性的数据集上表现出色。

Aug, 2016

本文提出了一种基于深度学习的新方法，用于基于视觉的单目标跟踪，该方法结合了卷积神经网络和贝叶斯损失层，提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上，该跟踪器达到了最先进的跟踪结果。

Jul, 2016

本文提出了一个用于视觉跟踪的双网络模型，利用不同深度网络层次上的结构进行层次特征的提取，通过层次特征和边缘检测器相结合，进一步嵌入目标周围局部细节，并对其进行在线更新和独立分量分析，实现了对物体的精确跟踪。在大型基准数据集上进行的定量和定性评估表明，所提出的算法具有很好的性能。

Dec, 2016

本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

Jan, 2017