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

本研究提出了三种稀疏度相关的损失函数，通过利用滤波器响应的各向异性提高相关滤波学习的鲁棒性，从而实现了三种实时跟踪器。大量实验证明了所设计的损失函数显著提高了相关滤波的鲁棒性，并揭示了不同损失函数对跟踪性能的影响，从而为设计鲁棒的相关滤波器提供了实用参考标准。

Aug, 2016

通过更新并维护多个相关性滤波器模型，并使用深度强化学习选择最佳相关滤波器模型，在处理目标外观建模的决策过程中利用决策网络，本文提出了一种解决相关滤波器更新问题的新方法，在 OTB100 和 OTB2013 基准测试上得到了较好的表现，达到了 62.3％的平均成功率和 81.2％的平均精度得分，超过了传统相关滤波器的跟踪器的表现。

Nov, 2018

本文提出了一种新的基于相关滤波器的优化问题，联合建模区分度和可靠性信息用于视觉跟踪，其中包括滤波器的基本成分和可靠性项，以及局部相应一致性正则项以强调不同区域的平等贡献。实验结果表明，我们的跟踪器表现优于其他同类跟踪器。

Apr, 2018

提出了一种学习多个自适应关联滤波器的方法，同时具有目标外观的长期和短期记忆，以实现强大的物体跟踪，在大规模基准数据集上表现优异，尤其在效率、准确性和鲁棒性方面均优于现有的技术方法。

Jul, 2017

本文提出一种背景感知的基于关联滤波的目标跟踪算法，相比其他基于深度学习范式的跟踪器，经过多个跟踪基准的大量实验表明，我们的方法具有卓越的准确性和实时性，同时保持计算效率。

Mar, 2017

本研究提出一种利用频域内部计算冗余并显著减少边界效应的相关滤波估计方法，以提高目标检测和跟踪性能，实现了准确性和计算效率的同时也探究了计算效率等因素产生的代价。

Mar, 2014

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

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

本文提出了一种基于支持向量机模型的视觉跟踪算法，利用循环矩阵表达式和离散傅里叶变换优化迭代学习支持相关滤波器，其计算复杂度为 O (n^2*logn)，在多通道特征、核函数和自适应尺度方法方面进行了进一步优化，实验结果显示该算法较于当前最先进的跟踪方法更快、更准确。

Jan, 2016