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

本研究提出了一种深浅特征学习网络 DSNet，通过 MSC 特征的学习，利用任何基于 DCF 的方法进行有效的在线追踪，同时可显著提高跟踪速度。

Nov, 2018

本文提出一种新颖且有效的 DCFST 体系结构，用于学习在线判别式追踪器的最佳特征嵌入，集成区分性模型的求解器到卷积神经网络中，通过端到端的训练获得最优的特征嵌入，并将常见的岭回归模型应用于实例，结果表明该方法适用于类无关目标并实现了最先进的准确性，同时超过实时速度。

Jun, 2019

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

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

本文提出了一种训练连续卷积滤波器的新方法，通过使用隐式插值模型将学习问题放在连续空间域中，实现了多分辨率深度特征图的高效整合，从而在三个物体跟踪基准测试中均取得了优异的结果。此外，我们提出的方法具有亚像素定位功能，可用于准确特征点跟踪任务。

Aug, 2016

本研究提出了一种基于判别相关滤波器框架的新型跟踪器，通过引入历史视图并运行实时速度来拓展记忆，通过快速压缩上下文学习来提高滤波器的鉴别能力，并在 UAVDT 和 UAV123 数据集上验证了该跟踪器的竞争性能。

Sep, 2019

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

该论文系统评估了 90 多个基于 DCFs 和深度 Siamese Network 的跟踪器在九个基准测试中的表现，讨论了这两种跟踪范例中相同和不同的挑战，并分析了它们的性能，最后给出了基于分析的挑战建议。

Dec, 2021