我们提出了一个基于深度回归和验证网络的新型长期跟踪框架，其中使用对象感知特征融合和区域提案网络设计了离线训练的回归模型，该模型可以有效生成候选框并估计它们的相似度分数，在线实时更新以适应外表上的变化。通过结合相似度和分类分数，我们的跟踪器可以准确确定目标的缺席并进行图像全局重检测以成功捕获目标。

Sep, 2018

我们提出了一种新的长期跟踪性能评估方法，并提出了一个具有许多目标消失的精心选择序列的新挑战性数据集，通过使用适用于评估长期跟踪的新性能指标 - 跟踪精度，召回率和 F 得分来广泛评估了六个长期和九个短期的最先进的跟踪器，评估结果表明，良好的模型更新策略和全局检测能力对于长期跟踪性能至关重要，我们将该方法集成到 VOT 工具包中以自动化实验分析和基准测试，并促进了长期跟踪器的开发。

Apr, 2018

本研究结合了全局追踪和利用时间上下文的优点，通过局部追踪器的集成来全局追踪目标。实验表明我们的方法在六个数据集上表现优异。

Mar, 2022

本文介绍了 GlobalTrack，它是一种纯全局实例搜索追踪器，可以执行全图像和多尺度搜索并具有高鲁棒性。通过使用使用两阶段目标检测器和交叉查询损失，GlobalTrack 避免了在线学习，不需要对位置或尺度进行惩罚，无需尺度平滑和轨迹细化，相对于需要复杂后处理的现有方法，在四个大型跟踪基准上取得了可比较的，甚至更好的性能，适合于长期跟踪。

Dec, 2019

本文提出了一种离线 Meta-Updater 来解决长期视觉跟踪问题，通过集成几何、区分和外观线索并用级联 LSTM 模块挖掘顺序信息， Meta-Updater 可以有效地学习跟踪器的更新，以指导跟踪，同时介绍了一个包含在线本地跟踪器，在线验证器，SiamRPN-based 重检测器和我们的 Meta-Updater 的长期跟踪框架，实验结果表明 Meta-Updater 比其他竞争算法表现出更好的性能。

Apr, 2020

该论文总结了长期跟踪中的关键问题，提出了基于融合追踪器策略的学习方法，并通过实验证明了模型与数据的独立性，并在竞争中取得了领先地位。

Aug, 2023

提出了一种基于 Skimming-Locating-Perusing 架构，并采用 frame-differentiable 和 boundary-precise 的方法用于自然语言视频定位，并在三个具有挑战性的基准测试中获得比先前方法更准确的分割边界。

Jul, 2022

基于 “移动中观察” 新的识别范例，相比于传统的分阶段范例，以更高的效率融合粗粒度采样和细粒度识别的统一时空建模，并通过层次化机制高效捕获、推断长剪辑视频中的单位级和视频级时间语义，实现了新的视频时空建模效率与准确性的权衡。

Aug, 2023

本文探索一种实用的多目标跟踪方法，强调高效地为实时应用程序分配对象。在追踪组件中，使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合，同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器，跟踪精度可以提高高达 18.9％。此外，由于跟踪方法的简单性，该跟踪器的更新速率为 260 Hz，比其他最先进的跟踪器快 20 倍以上。

Feb, 2016

本文提出一种基于空时内存网络的新型追踪框架，利用历史信息以适应目标外观的变化，采用像素级相似度计算实现更精准的边界框生成，能够在真实时间下跟踪并优于先前所有最先进的实时方案。

Apr, 2021