通过基于卷积神经网络的表示方式提出了新型的视觉跟踪算法，该算法使用大型跟踪数据集进行了 CNN 预训练，从而获得了通用物体表示信息，并通过领域特定的二分类器不断迭代训练来实现在线跟踪。实验结果表明，该算法在目前已有的跟踪基准数据集中性能表现卓越。

Oct, 2015

本文基于卷积通道缩减技术将图像分类特征应用于视觉跟踪领域，提出了一种有效而实时的视觉跟踪器，不仅提取了目标的有用信息，而且大幅提高了跟踪速度，同时在两个基准测试中实现了最新的准确性。

Jan, 2017

提出了一种基于 Siamese 匹配网络和元学习网络的新型在线视觉跟踪框架，其运行速度非常快。该算法利用元学习网络提供目标对象的新外观信息，通过添加目标感知特征空间，消除了在跟踪中不断解决复杂优化任务的必要性。在保持与其他最先进的跟踪算法相当的性能的同时，实验结果证明我们的算法运行速度是实时的。

Dec, 2017

本文提出了一个用于视觉跟踪的双网络模型，利用不同深度网络层次上的结构进行层次特征的提取，通过层次特征和边缘检测器相结合，进一步嵌入目标周围局部细节，并对其进行在线更新和独立分量分析，实现了对物体的精确跟踪。在大型基准数据集上进行的定量和定性评估表明，所提出的算法具有很好的性能。

Dec, 2016

本研究提出了一种利用单个卷积神经网络（CNN）实现在纯在线模式下学习目标对象有效特征表示的高效且非常强大的跟踪算法，其利用一种新颖的截断结构损失函数、稳健的样本选择机制和一种懒但有效的更新算法，使 CNN 在视觉跟踪中对遮挡或错误检测等难以处理的问题具有鲁棒性，在实验中，与现有跟踪器相比，该算法可以提高性能。

Feb, 2015

本文提出了一种基于深度学习的新方法，用于基于视觉的单目标跟踪，该方法结合了卷积神经网络和贝叶斯损失层，提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上，该跟踪器达到了最先进的跟踪结果。

Jul, 2016

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

本文提出了一种新的基于卷积神经网络的目标跟踪方法，使用简单的两层卷积神经网络进行在线适应学习，能够生成鲁棒性较强的目标表示，并在 CVPR2013 数据集上的 50 个挑战性视频中表现优异。

Jan, 2015

本文提出了一种端到端的框架来同时学习卷积特征并执行跟踪过程，即统一的卷积跟踪器（UCT），该跟踪器通过将特征提取器和跟踪过程都视为卷积操作进行联合训练，使得学习到的 CNN 特征与跟踪过程紧密耦合。在四个具有挑战性的跟踪数据集上进行了实验，我们的方法在保持超过实时速度的同时，在这些基准测试中实现了领先的性能。

Aug, 2019

本研究基于卷积神经网络设计了一种实时的无模型对象跟踪方法，通过研究外观和运动特征，提出了一个端到端的离线训练的两流网络 AMNet，该网络通过匹配策略追踪目标并深度检测来定位目标，在 OTB 和 VOT 基准数据集上取得了领先的性能。

Dec, 2018