本文提出了一种用于实时面部追踪的连续回归方法，将输入空间近似于其一阶 Taylor 展开，并将连续最小二乘问题扩展到相关变量，将其纳入级联回归框架中，并展示了在训练和测试中的计算效益。最后，提出了一种名为 iCCR 的快速增量学习方法，显示其复杂度可以实现实时面部追踪和最先进的性能。

Dec, 2016

本研究提出了自我迭代回归框架，通过 Landmarks-Attention 网络作为回归器，将级联回归方法中的多个回归器替换为一个自我迭代回归器，从而显着减少了模型参数，提高了模型效率。实验结果表明，该方法仅需 3.72M 模型参数即可达到最先进的性能水平。

Mar, 2018

本文提出了一种约束联合级联回归框架（Constrained Joint Cascade Regression Framework, CJCRF）来解决面部分析中面部动作单元识别和面部关键点检测两任务，首先通过学习面部动作单元和面部形状之间的关联约束，然后在约束帮助下，我们迭代地更新面部关键点位置和动作单元激活概率以实现两个任务的协同检测。实验结果证明，面部动作单元和面部形状的纠缠关系提高了面部动作单元识别和面部关键点检测的性能，同时也证明了所提出的方法与现有工作相比的有效性。

Sep, 2017

本文提出了一种自我强化策略，通过评价人脸局部外观和全局几何的一致性来迭代扩展和改进训练样本的质量和数量，通过一组具有鉴别性的分类器来修剪不一致的局部外观的示例，并验证标记地标组之间的几何关系。经实验证明，这种方法对于从小子集开始预测好的示例在几个基准数据集上具有很好的效果。

Nov, 2017

本研究探讨基于级联回归的 3D 人脸重建方法在 2D 标记点数、3D 顶点数、标记点检测方法及收敛性等四个方面的影响，并提出了一种简化的级联回归算法以及有效的训练方法，实验证明了该方法的有效性。

Sep, 2015

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

基于鲁棒回归的视觉跟踪技术中，引入了一种新的鲁棒线性回归估计器，通过迭代梯度下降和阈值选择算法解决异常值问题，同时将算法扩展到生成式跟踪器，并使用 IGDTS 距离来衡量样本与模型之间的偏差，最后提出了一种更新方案以捕捉跟踪目标的外观变化并确保正确更新模型，实验结果表明所提出的跟踪器优于现有的跟踪器。

Jun, 2024

提出了一种无监督学习方法，基于 Siamese 相关滤波网络，在前向追踪和反向追溯之间进行一致性测量来训练视觉跟踪器，并提出了多帧验证方案和一种成本敏感的损失来促进无监督学习，该方法在速度上达到实时水平，在不使用昂贵标记数据的情况下，实现与现有标准跟踪器相当的准确度，而且在使用更多未标记或弱标记数据的情况下，该方法有进一步提高跟踪精度的潜力。

Jul, 2020

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

本研究提出了一种在线多目标跟踪方法，通过收集检测和跟踪的输出，利用基于完全卷积神经网络的新型评分函数处理不可靠检测，并采用深度学习出的外貌特征来提高跟踪的识别能力。该方法在人员跟踪基准测试中达到了实时和最先进的性能。

Sep, 2018