该研究提出了一种动态记忆网络用于视觉跟踪，能够自适应目标外观变化以提高跟踪准确度，避免模型过度学习，辅助分类损失有助于提升跟踪性能，同时耗时小。

Jul, 2019

本文提出了一种动态记忆网络来适应目标物体外观变化的模板适应方法，使用 LSTM 进行记忆控制，并通过注意力机制聚焦于潜在目标，应用门控残差模板学习控制检索记忆的数量，通过更新外部内存适应目标的外观变化，实验结果表明本文提出的 MemTrack 方法在 OTB 和 VOT 测试中表现良好，且实时速度为 50fps。

Mar, 2018

本文介绍了一种用于视频目标检测的空间 - 时间记忆网络，其核心是一种新颖的空间 - 时间记忆模块，用于模拟长期的时间外观和动态运动，并提出了一种新的 MatchTrans 模块来解决视频中的物体运动问题。作者的方法在 benchmark ImageNet VID 数据集上取得了最先进的结果，并且文章的实验表明了不同设计选择的贡献。

Dec, 2017

本文提出一种名为 MeNToS 的方法，利用实例分割和光流技术创建轨迹，依靠时空记忆网络（STM）来改善具有时间间隔的轨迹的关联，从而进行多目标跟踪和分割 (MOTS)，并且在 RobMOTS 挑战中获得了第 4 名。

Jul, 2021

提出了一种用于半监督视频对象分割的新型解决方案，通过利用内存网络中的可用线索和遍历所有可用源中的相关信息来实现更好的处理外观变化和遮挡等挑战，从而实现了最先进的性能。

Apr, 2019

本文提出了一种用于视觉跟踪的新方法，通过使用卷积神经网络来学习下一帧的目标模板，从而提高现有 Siamese 方法的效果。经过在多个数据集上的实验证明，这种模型可以有效地定位目标并提高跟踪的准确率。

Aug, 2019

我们设计了一种创新的时空双向跨帧干扰滤波追踪器 STMD-Tracker，通过使用 4D 多帧时空图卷积骨干和双向跨帧内存过程，结合空间可靠高斯掩码和对象感知抽样策略，有效改善了 3D 单物体在 LIDAR 点云中的跟踪准确性，超过了当前最先进的方法。

Mar, 2024

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

最近，视频对象分割（VOS）网络通常使用基于记忆的方法：对于每个查询帧，通过空间 - 时间匹配预测掩码以与记忆帧相匹配。尽管这些方法具有卓越的性能，但存在两个问题：1）具有挑战性的数据可以破坏相邻视频帧之间的空间 - 时间一致性。2）像素级匹配会由噪音或干扰引起不希望的不匹配。为解决上述问题，我们首先提出在相邻帧之间生成一个辅助帧，作为查询帧的隐式短时间参考。随后，我们为每个视频对象学习一个原型，并在查询帧和记忆帧之间实施原型级匹配。实验证明，在 DAVIS 2017 上我们的网络优于最先进的方法，达到了 86.4% 的 J&F 分数，并且在 YouTube VOS 2018 上获得了 85.0% 的竞争结果。此外，我们的网络的推理速度为 32+ FPS。

May, 2024

本文提出了一种新型的跟踪器，使用了一个独有的方法，并使用了 Siamese 深度神经网络进行泛化训练，在不需要目标数据的情况下学习匹配函数，这种匹配函数在大部分情况下能够实现 state-of-the-art 的追踪性能。

May, 2016