通过引入卷积算子、压缩模型、限制更新策略等，本文提出了一种性能更优，速度更快的基于判别相关滤波的视觉跟踪方法。通过基准测试，证明该方法比当前优秀算法具有更好的性能表现，并且可以在单个 CPU 上进行实时跟踪。

Nov, 2016

本文提出了一种卷积回归框架（Convolutional Regression framework），并采用梯度下降法（Gradient Descent）对一个仅输出单通道的卷积层进行优化，以解决视觉物体跟踪的线性回归问题。相较于基于切片生成合成样本的区别相关滤波（Discriminatively Learned Correlation Filters，DCF），“卷积回归框架” 可以利用整个图像剪裁出的所有实际样本进行跟踪，同时还提出了新的 “自动化难反例挖掘（Automatic Hard Negative Mining）” 方法来排除容易算法的反例以提升跟踪效果。在广泛使用的 100 个序列中进行了大量实验，结果表明该算法实现了卓越的性能，并优于几乎所有现有的基于 DCF 的算法。

Nov, 2016

本文提出基于深度学习网络的 DCFNet 算法，利用卷积特征同时完成相关性跟踪过程，其效率和准确性在 OTB-2013, OTB-2015, and VOT2015 测试中表现优异。

Apr, 2017

介绍了 Spatially Regularized Discriminative Correlation Filters (SRDCF) 算法用于解决缺乏训练数据的视觉追踪问题，并且提出了一种空间正则化组件，能够更高效地学习目标外观模型。在四个基准测试数据集上进行了实验，优于已有最佳追踪器，并在 OTB-2013 和 OTB-2015 中获得了较高的平均重叠精度。

Aug, 2016

本文提出了一种新的 DCF 跟踪方法，通过自适应的空间特征选择和时间一致性约束实现联合空间时间滤波器学习，在更低维的判别性流形中学习具有历史约束的滤波器，并提出了统一的优化框架来联合选择特征和学习判别性滤波器，并在多个公共数据集中进行了实验，结果表明该方法优于基准的跟踪方法。

Jul, 2018

本文利用连续帧中的丰富流信息，通过在网络中制定特殊层来提高特征表示和跟踪精度，提出了一种基于深度学习框架中的联合训练流和跟踪任务的方法，并且采用了新颖的空间 - 时间注意机制，对 OTB2013、OTB2015、VOT2015 和 VOT2016 四个具有挑战性的跟踪数据集进行了广泛的实验，证明所提出的方法在这些基准测试中具有优越的结果。

Nov, 2017

提出了一种用于视觉对象跟踪的新的基于群组特征选取的判别相关滤波 (GFS-DCF) 方法。该方法能够跨越通道和空间维度进行群组特征选取，重点在于确定多通道特征对过滤系统的结构相关性。此外，我们的 GFS-DCF 能够实现联合特征选取和过滤器学习，实现了学习滤波器的增强辨别和可解释性。在实验结果上，我们的 GFS-DCF 在 OTB2013、OTB2015、VOT2017、VOT2018 和 TrackingNet 上均表现优异，超越了现有的跟踪器。

Jul, 2019

本篇论文提出了一种基于核化多分辨率卷积网络的通用视觉目标跟踪方法，该方法采用层次响应图直接输出目标运动轨迹，并在无需任何权重调节的情况下，在挑战性无人机跟踪数据集上表现出色，同时开启了在端到端时序深度学习框架中进行视觉追踪的可能性。

Aug, 2017

本文提出了一种用于视觉目标跟踪的深度全卷积特征学习方法，该方法使用基于网络的反向传播算法，并在性能分析中取得了较好的结果。

Apr, 2017

提出一种基于离散傅里叶变换的基于样本的辨别分类器优化方法，用于改进现代跟踪器并取得更好的结果。

Apr, 2014