提出了一种抑制检测过程中异常情况的方法，即抑制异常相关滤波器（ARCF），通过对检测阶段生成的响应图的变化速率进行限制，ARCF 跟踪器可以明显抑制异常情况，并因此具有更强的鲁棒性和准确性，可进行 UAV 目标跟踪，在 243 个具有挑战性的图像序列上验证了该跟踪器的性能，表现出比其他 20 个 DCF 和基于深度学习的框架更优越的性能，并可以满足实时应用的速度要求。

Aug, 2019

通过对比学习的方法，本文提出了一种针对无人机追踪的新的轻量级模型，能够提供更准确、高效的特征表示，大幅超越现有无人机追踪方法的性能。

Aug, 2023

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

本文提出了一种新的 DCF 跟踪方法，通过自适应的空间特征选择和时间一致性约束实现联合空间时间滤波器学习，在更低维的判别性流形中学习具有历史约束的滤波器，并提出了统一的优化框架来联合选择特征和学习判别性滤波器，并在多个公共数据集中进行了实验，结果表明该方法优于基准的跟踪方法。

Jul, 2018

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

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

本篇论文提出了一种基于核化多分辨率卷积网络的通用视觉目标跟踪方法，该方法采用层次响应图直接输出目标运动轨迹，并在无需任何权重调节的情况下，在挑战性无人机跟踪数据集上表现出色，同时开启了在端到端时序深度学习框架中进行视觉追踪的可能性。

Aug, 2017

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