我们的研究探索了在海洋中使用无人机和无人水面船只的多目标跟踪技术，通过自监督学习实现实例表示学习，并与高质量探测器合作，简单高效地完成多目标跟踪任务。

Nov, 2023

本文旨在简要概述深度学习方法在水下机器人的视觉导航中的应用。论文的范围包括利用深度学习方法进行水下机器人的视觉感知、可获得的水下视觉数据集、仿真学习和强化学习方法以及与训练方法相关的分类。除了作为对比例子外，本文不考虑使用深度学习算法处理非视觉数据的水下导航文献。

Oct, 2023

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

本文提出了一种适用于水下环境的单目视觉里程计方法，该方法基于光流跟踪和基于关键帧的非线性优化，并在模拟和实际水下数据集上验证其性能优于现有的视觉 SLAM 方法，主要应用于水下考古任务中 ROV 的定位。

Jun, 2018

该论文提出了一种基于现有观测中心跟踪算法的新型多目标跟踪方法，采用新的迭代关联步骤大大提高了对具有均匀外观的目标的跟踪性能。

Apr, 2023

提出了一种新的基于检测的跟踪法，可以利用摄像头和 LIDAR 数据来产生非常精确的三维轨迹。为此，我们将问题制定为线性规划问题，可以解决该问题，并学习卷积网络进行检测以及匹配，并在具有挑战性的 KITTI 数据集上评估模型并展示了极具竞争力的结果。

Jun, 2018

通过使用深度学习和计算机视觉技术提出了一种自动化的视频分析系统来改进现有的水下船舶外壳视频检查方法，提出了一种利用 transformers 的自注意机制捕捉连续视频帧中的时空关注的多标签视频分类模型。该方法取得了有前途的结果，并可以作为未来水下视频检查应用的基准。

May, 2023

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

本文介绍了一个旨在填补从陆基视觉系统到海基系统的差距的大规模视觉目标检测和跟踪基准（SeaDronesSee），我们从各种高度和视角，提供海拔，视角和其他元数据等相关信息，收集和注释了超过 54,000 帧，包括 400,000 个实例，并在此基础上评估了多个最先进的计算机视觉算法。

May, 2021