本文研究采用卷积神经网络实现可视目标跟踪，解决应用CNN的瓶颈问题-数据不足，尝试采用离线预训练的方式进行知识迁移，该方法相比其他现有跟踪器有着显著的提高，并提出提出通过产生概率映射来跟踪目标.

Jan, 2015

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

使用ILSVRC15数据集训练的全卷积Siamese网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。

Jun, 2016

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

本文提出了一种卷积回归框架（Convolutional Regression framework），并采用梯度下降法（Gradient Descent）对一个仅输出单通道的卷积层进行优化，以解决视觉物体跟踪的线性回归问题。相较于基于切片生成合成样本的区别相关滤波（Discriminatively Learned Correlation Filters，DCF），“卷积回归框架”可以利用整个图像剪裁出的所有实际样本进行跟踪，同时还提出了新的 “自动化难反例挖掘（Automatic Hard Negative Mining）”方法来排除容易算法的反例以提升跟踪效果。在广泛使用的100个序列中进行了大量实验，结果表明该算法实现了卓越的性能，并优于几乎所有现有的基于DCF的算法。

Nov, 2016

本文基于深度特征，提出了两种补充回归方法用于鲁棒视觉跟踪，包括核化岭回归和全卷积神经网络，最终将这两种方法的输出结合起来提高跟踪结果的准确率。

Jun, 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

本文提出了一种端到端的卷积神经网络跟踪框架，既可以有效地学习卷积特征，又可实现跟踪过程，对于实时跟踪效果较佳并在多个基准跟踪数据集上达到了最佳结果。

Nov, 2017

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

本文提出了一个无需离线训练的在线学习方法，通过递归最小二乘算法辅助进行few-shot在线自适应学习，实现在模型中构建记忆保留机制，同时防止过度拟合和遗忘，有效提升了现代深度跟踪器的表现效率。

Dec, 2021