本文介绍了一种新的、灵活的和准确的细化模块 Alpha-Refine，并将其应用于五种基础跟踪器中，实现了在 TrackingNet、LaSOT 和 VOT2018 基准测试中比其他现有的细化方法显著提高跟踪性能的效果。

Jul, 2020

提出了一种新的框架，利用选择和细化策略自动改进跟踪算法生成的初始注释，包括一个时间评估网络和一个视觉几何改进网络，它们共同提供了一个原则性的方法来确保自动视频注释的质量，并且在大规模跟踪基准测试中表现出高度准确性。

Aug, 2021

该研究提出了一种基于目标状态估计和分类的新型跟踪架构，该架构通过离线学习将高层次的知识融入到目标状态估计中，以实现前所未有的边界框精度。同时，该架构还引入了一个在线训练的分类组件，以保证对干扰物高度鉴别性能。该跟踪框架在 5 个挑战基准测试中取得了新的 state-of-the-art 结果，在新的大规模 TrackingNet 数据集上取得了 15% 的相对增益，而运行速度超过 30 FPS。

Nov, 2018

本文提出了一种新的算法，使用椭圆拟合来估计带有分割（掩膜）的目标的边界框旋转角度和大小，即 SiamMask_E 算法，在保持快速跟踪帧率 (80 fps) 的前提下，改善了现有 SiamMask 算法的边框拟合过程。在使用旋转边框标记的视觉对象跟踪数据集上测试，与原始 SiamMask 相比，我们实现了 0.652 和 0.309 的提升 EAO 的精度，在 VOT2019 上分别比原始 SiamMask 高 0.056 和 0.026。

Jul, 2019

本文提出了一种基于分割的跟踪器，通过分割掩码来描述目标，相较于边框，在形状和对齐上更加精确，并且引入了一个独立的实例定位组件用于提高跟踪的鲁棒性，最终在挑战的数据集上取得了 69.7% 的成功率。

Mar, 2022

通过强化学习优化的 Reinforced Axial Refinement Network (RAR-Net) 可以作为后处理阶段自由整合到现有的单目 3D 检测方法中，提高了 KITTI 数据集的性能，并且有小的额外计算成本。

Aug, 2020

我们提出了一种在 DETR-like 模型中处理定位问题的概念简单、高效、通用的框架 RefineBox。通过在训练良好的模型上添加插件而不是低效地设计新模型和从头训练，RefineBox 通过轻量级的细化网络来改进 DETR-like 检测器的输出。我们的方法易于实现和训练，因为它仅利用来自训练良好的检测模型的特征和预测框。在训练过程中，我们冻结了已训练的检测器，因此方法也具有高效性。此外，我们可以轻松将 RefineBox 推广到各种训练好的检测模型，而无需进行任何修改。实验证明了我们的 RefineBox 对于 DETR 及其代表性变种的有效性。我们的工作希望引起检测社区对当前 DETR-like 模型中的定位瓶颈的关注，并突出了 RefineBox 框架的潜力。代码和模型将在以下链接中公开提供: https://github.com/YiqunChen1999/RefineBox。

Jul, 2023

该论文提出了一种基于物体感知的无锚点跟踪网络，通过直接预测目标对象的位置和规模，以及引入功能对齐模块来从预测的边界框中学习物体感知特征，从而提高跟踪鲁棒性和精度。实验证明，该跟踪器在五个基准测试中均取得了最先进的性能。

Jun, 2020

本文提出了一种新的基于单一射击的检测器 RefineDet，它既具有两阶段方法的高精度，又保持了一阶段方法的高效率。RefineDet 由锚点精炼模块和目标检测模块组成，通过多任务损失函数的训练获得了最高的检测准确率。

Nov, 2017

本研究提出了一种基于双重细化机制的目标检测方法，在静态和时间景观中能够快速准确地检测对象。通过使用新型 anchor-offset 检测和双重细化网络（DRNet），TRNet 和 TDRNet，实现了对静态和时间目标的高性能检测，并应用于水下目标检测和抓取的自主系统中。

Jul, 2018