提出了一种基于空间通道 Transformer 的低光增强器，通过在跟踪方法之前引入该增强器，以实现可靠的夜间 UAV 追踪，使用 DarkTrack2021 基准进一步评估该方法.

Mar, 2023

该研究提出了一种新颖的无监督领域自适应框架 UDAT，通过采用唯一的物体发现方法生成训练补丁，使用 Transformer day /night 功能鉴别器生成 Transformer-based bridging layer 来解决两个域之间的差异，构建 NAT2021 数据集，实验表明该框架在夜间航空跟踪中具有强大的鲁棒性和域适应性。

Mar, 2022

提出了一种名为 Darkness Clue-Prompted Tracking（DCPT）的新颖架构，通过有效地学习生成黑暗线索提示，实现了夜间无人机跟踪的鲁棒性。DCPT 在昼夜切换中无需额外模块，直接将抗黑暗能力编码为黑暗线索提示器（DCP）生成的视觉提示，通过固定参数的白天跟踪器与变压器层进行学习和融合。实验证明 DCPT 在多个黑暗场景基准上表现出最先进的性能，实现了增强和跟踪的端到端可训练系统。

Sep, 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

本文提出了一种名为 DarkLighter 的低光图像增强器，采用轻量级的 ME-Net 网络，用于提高无人机跟踪器在夜间、低光环境下的鲁棒性。实验证明，DarkLighter 的普适性和可靠性很高，并已在典型的 UAV 系统上实现，夜间场景的实际测试表明其实用性和可靠性。

Jul, 2021

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

本研究提出了一种基于判别相关滤波器框架的新型跟踪器，通过引入历史视图并运行实时速度来拓展记忆，通过快速压缩上下文学习来提高滤波器的鉴别能力，并在 UAVDT 和 UAV123 数据集上验证了该跟踪器的竞争性能。

Sep, 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

提供一个包含超过 580k 个边界框的数据集，命名为 Anti-UAV，可用于研究无人机（UAV）的跟踪任务及其性能，文中还提出了双流语义一致性（DFSC）的方法，可以通过视频序列中的语义流提高跟踪器的性能。

Jan, 2021

本文提出一种背景感知的基于关联滤波的目标跟踪算法，相比其他基于深度学习范式的跟踪器，经过多个跟踪基准的大量实验表明，我们的方法具有卓越的准确性和实时性，同时保持计算效率。

Mar, 2017