该论文总结了长期跟踪中的关键问题，提出了基于融合追踪器策略的学习方法，并通过实验证明了模型与数据的独立性，并在竞争中取得了领先地位。

Aug, 2023

本文提出了一种有效且高效的视觉目标跟踪方法，通过短期模型和长短期范式相结合来实现稳定性与适应性的平衡，并采用整体结构的一致性以及瞬时变化的建模来识别并定位目标。

Aug, 2020

本文介绍了 GlobalTrack，它是一种纯全局实例搜索追踪器，可以执行全图像和多尺度搜索并具有高鲁棒性。通过使用使用两阶段目标检测器和交叉查询损失，GlobalTrack 避免了在线学习，不需要对位置或尺度进行惩罚，无需尺度平滑和轨迹细化，相对于需要复杂后处理的现有方法，在四个大型跟踪基准上取得了可比较的，甚至更好的性能，适合于长期跟踪。

Dec, 2019

我们提出了一种新的长期跟踪性能评估方法，并提出了一个具有许多目标消失的精心选择序列的新挑战性数据集，通过使用适用于评估长期跟踪的新性能指标 - 跟踪精度，召回率和 F 得分来广泛评估了六个长期和九个短期的最先进的跟踪器，评估结果表明，良好的模型更新策略和全局检测能力对于长期跟踪性能至关重要，我们将该方法集成到 VOT 工具包中以自动化实验分析和基准测试，并促进了长期跟踪器的开发。

Apr, 2018

该论文提出了一种端到端可训练的方法，结合物体检测和跟踪，并引入了序列记忆模块，使其更好地处理多物体跟踪，尤其是遮挡的情况。经过大规模的合成数据和实际测试，在 KITTI 和 MOT17 数据集上取得了最先进的性能表现。

Mar, 2021

该论文提出了一种新的目标感知注意力机制 (称为 TANet)，并将其与跟踪检测框架相结合，以进行联合局部和全局搜索来实现强韧性跟踪。该方法通过提取目标对象补丁和连续视频帧的特征，并将它们串联在一起进入解码器网络，并深入探索候选搜索区域进行跟踪，从而在短期和长期跟踪基准数据集上取得了有效的实验结果。

Jun, 2021

本文提出了一种在长期跟踪中综合应用全局和局部搜索策略的跟踪器，并采用自我质量评估指导谨慎更新，达到了较好的跟踪效果。

Nov, 2017

在本文中，我们提出了一种基于上下文感知的跟踪模型，该模型是通过利用整个序列中的信息联合元更新两个分支来优化表示空间上的跟踪器，实现对外观变化的自适应。我们采用上下文聚合模块融合历史帧中的信息，然后使用上下文感知模块为跟踪器的两个分支学习亲和向量。通过使用专用的元学习方案，在有限的训练样本下，该跟踪方法在 VOT2018 上实现了 0.514 的 EAO 评分，40FPS 的速度，表明了它提高了潜在跟踪器的准确性和鲁棒性，并且在速度上有小幅下降。

Apr, 2022

本文研究的是多目标跟踪中数据关联错误的问题，提出了一种基于 RNN 的多信号联合跟踪方法，能够编码多信号的长期时间依赖性，有效地解决了遮挡和外观相似等问题，取得了比之前公开数据集更好的跟踪效果。

Jan, 2017

我们提出了一个基于深度回归和验证网络的新型长期跟踪框架，其中使用对象感知特征融合和区域提案网络设计了离线训练的回归模型，该模型可以有效生成候选框并估计它们的相似度分数，在线实时更新以适应外表上的变化。通过结合相似度和分类分数，我们的跟踪器可以准确确定目标的缺席并进行图像全局重检测以成功捕获目标。

Sep, 2018