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

本篇文章介绍了带有空间和通道可靠性概念的建议学习算法的判别相关滤波（DCF）跟踪，其在跟踪非矩形对象和扩大搜索区域方面表现出色。通过基于两个简单标准特征，HoGs 和 Colornames，CSR-DCF 方法在 VOT 2016、VOT 2015 和 OTB100 方面取得了最先进的结果，并可以在 CPU 上实时运行。

Nov, 2016

本文介绍了一种空间 - 时间规范化相关滤波器（STRCF），通过将时间正则化引入到只有一个样例的 SRDCF 中，提出了 STRCF 公式，该公式不仅可以作为具有多个训练样例的 SRDCF 的合理近似，而且在具有大量出现变化的情况下，可以提供比 SRDCF 更健壮的外观模型，并可以通过交替方向乘法器（ADMM）有效地解决。STRCF 结合了时间和空间正则化的优势，并且在精度和速度方面表现出比 SRDCF 更出色的性能。

Mar, 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

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

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

提出了一种自适应在线学习以提高无人机（UAV）目标跟踪和定位的方法，该方法通过引入空间本地响应地图变化作为空间正则化，并使用全局响应地图变化来确定滤波器的更新速率，优于基于 CPU 和 GPU 的跟踪器，速度为每秒约 60 帧，具有较高的有效性和多功能性。

Mar, 2020

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