研究比较深度卷积网络和带有循环结构的深度卷积神经网络的效果，针对视频识别、图像描述、检索以及视频叙事方面的问题，开发出一种新颖的循环卷积架构，该架构可以训练端到端，可以同时学习时间动态和卷积感知表示，并具有学习长期依赖性的能力。实验结果证明，循环卷积模型在识别或生成方面与现有的模型相比具有明显的优势。

Nov, 2014

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

通过基于卷积神经网络的表示方式提出了新型的视觉跟踪算法，该算法使用大型跟踪数据集进行了CNN预训练，从而获得了通用物体表示信息，并通过领域特定的二分类器不断迭代训练来实现在线跟踪。实验结果表明，该算法在目前已有的跟踪基准数据集中性能表现卓越。

Oct, 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

使用递归神经网络结合卷积神经网络提取物体自身结构信息来增强视觉追踪系统对于相似干扰的鲁棒性。在 OTB100、TC-128 和 VOT2015 三个基准测试集上不仅表现优异，且代码已经公开发布。

Nov, 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

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

本研究提出了一种递归滤波器生成方法来进行视觉跟踪，直接将目标的图像块作为输入，使用递归神经网络来生成一个特定于目标的滤波器，通过将RNN中的全连接层的矩阵乘法扩展到特征图上的卷积运算，对目标的空间结构进行保留和内存优化。

Aug, 2017

本文提出了一种循环自回归网络（RAN），它是一种时间生成建模框架，可以可靠地将物体轨迹与每个视频帧中的检测相关联，并通过内、外存储器来处理多个物体的外貌和运动动态。实验证明，我们的追踪方法在高度拥挤和遮挡的场景中具有鲁棒性，并在MOT2015和2016数据集上取得了排名最高的结果。

Nov, 2017