本文提出了一种自适应的视觉目标跟踪方法，通过离线学习增强学习代理来决定何时在浅层或深层特征下对图像进行处理，从而实现在单个 CPU 上快速跟踪，同时为几乎 50% 的时间提供了 100 倍的速度提升。

Aug, 2017

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

Re3 是一款实时深度目标跟踪器，拥有轻量级的模型，通过添加时间信息到模型中来实现对待跟踪物体的鲁棒追踪，并在单向传输中同时更新外观模型，可高效地在 150 FPS 上追踪物体及应对瞬时遮挡。

May, 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

本文提出一种基于元学习的离线方法，以调整在线适应式跟踪中使用的初始深度网络，以实现更快速、准确和鲁棒的跟踪。实验证明，该方法在 OTB2015 和 VOT2016 标准基准测试中优于当前最先进的跟踪方法。

Jan, 2018

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

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

使用 ILSVRC15 数据集训练的全卷积 Siamese 网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。

Jun, 2016

本研究通过使用深度学习模型 TrackNet，从模糊、带残影并有时不可见的广播视频中跟踪网球。在 2017 年夏季大学运动会男子单打决赛的视频上，TrackNet 的准确度、召回率和 F1-measure 达到了 99.7％、97.3％和 98.5％。

Jul, 2019

该研究提出了一种基于深度强化学习方法构建的模板选择策略的实时视觉追踪算法，该算法可有效应对模型更新导致的跟踪偏移问题，可在实时速度下以 43fps 跑动。

Feb, 2017