本文介绍了一个大规模高多样化的热红外物体跟踪基准测试，名为 LSOTB-TIR。该数据集包含 1400 个 TIR 序列和超过 600K 帧。我们定义了 4 种情景属性和 12 种挑战属性来评估跟踪器，鼓励社区开发基于深度学习的 TIR 跟踪器并进行全面公正的评估。在 LSOTB-TIR 上评估和分析了 30 多个跟踪器提供一系列基线，并且结果表明，深度跟踪器具有良好的性能。该数据集和代码均已公开发布。

Aug, 2020

提出了一种深度学习的图像跟踪方法，将 RGB 图像和红外热像合并进行特征提取和人工属性应用的跟踪，此方法在 RGBT234 和 LasHeR 这两个最广泛使用的 RGBT 目标跟踪数据集上表现优异。

Jul, 2023

使用图像到图像翻译模型，将可得的 RGB 数据转换成合成 TIR 数据用于 TIR 跟踪中的端到端特征的训练，并在 VOT-TIR2017 数据集上进行实验，发现相对于仅训练可得真实 TIR 数据或人工构建特征的方法，使用合成数据进行训练可以显著提高跟踪性能且通过与运动特征的结合可以进一步改进。

Jun, 2018

该论文提出了一种基于多任务学习的框架，学习适用于红外追踪的特征模型，并使用大规模红外训练数据集来优化该模型。在三个基准测试中，实验结果表明，该算法的相对增益达到 10％，表现优于现有的方法。

Nov, 2019

本文提出了一种新的基于局部斯特林核（LSK）的多维模板或张量形式的中级属性，以便更好地检测远红外图像中的行人，并引入了一种新的图像相似度核，以在支持向量机的最大边缘框架内进行训练。我们的第三个贡献是采用多通道离散傅里叶变换来替代滑动窗口法进行行人定位，取得了很好的实验结果。同时，我们还将用于研究为目的的 OSU 彩色热数据库中的行人注释与研究社区共享。

Sep, 2016

本文对于热红外行人追踪任务进行了自动网络架构搜索的初步尝试，采用了 ResNet 作为主干网络结构，以单重底部和双重底部单元作为搜索的基本单元，搜索空间内包含了八种操作候选项。为了加快搜索过程，在评估操作候选项之前，采用了随机通道选择策略。最终得到了一个高性能、参数和计算效率都很高的网络架构。大量实验证明了这种自动化方法的有效性。

Feb, 2024

该研究提出了一个大规模的 RGB-T 追踪视频基准数据集和一种新的基于图的方法，以学习强大的对象表示并实现多源数据融合的自适应融合，对其他最先进的追踪方法进行比较，并提供了对 RGB-T 对象追踪领域的新见解和潜在研究方向。

May, 2018

本研究旨在构建一个高度多样化的可见热（RGB-T）无人机跟踪（VTUAV）基准，包括 500 个序列和 170 万帧对，以及设计了一个名为 Hierarchical Multi-modal Fusion Tracker (HMFT) 的新的 RGB-T 基准，该基准可以在各个级别上融合 RGB-T 数据。

Apr, 2022

本研究提出一种多层相似性模型来提高红外物体跟踪的辨别能力，其中利用了卷积层计算 TIR 对象的全局语义相似度和本地结构相似度，通过一种相对熵的集成子网络进行集成，并构建了大规模 TIR 视频序列数据集以优化算法效果。

Jun, 2019

提出了一种使用生成对抗网络的无监督学习方法，来实现热红外相机拍摄图像的可视化处理，相较于现有的监督学习模型，该模型在 KAIST-MS 数据集上表现更好，并且对新环境具有良好的泛化性能。

Apr, 2019