本文提出一种基于元学习的离线方法，以调整在线适应式跟踪中使用的初始深度网络，以实现更快速、准确和鲁棒的跟踪。实验证明，该方法在 OTB2015 和 VOT2016 标准基准测试中优于当前最先进的跟踪方法。

Jan, 2018

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

本文提出了一种离线 Meta-Updater 来解决长期视觉跟踪问题，通过集成几何、区分和外观线索并用级联 LSTM 模块挖掘顺序信息， Meta-Updater 可以有效地学习跟踪器的更新，以指导跟踪，同时介绍了一个包含在线本地跟踪器，在线验证器，SiamRPN-based 重检测器和我们的 Meta-Updater 的长期跟踪框架，实验结果表明 Meta-Updater 比其他竞争算法表现出更好的性能。

Apr, 2020

本文提出了一种新颖的 meta-learning 框架，用于实时物体跟踪，其中实现了高效的模型自适应和通道修剪，并通过精心设计的跟踪模拟来训练元跟踪器，显著提高了跟踪性能。

Nov, 2019

我们提出了一种新的多对象跟踪的视觉分层表示范式，并通过关注对象的组合性视觉区域和与背景的对比背景信息，不仅仅局限于语义可视线索（如边界框），而是更有效地区分对象。这种组合性 - 语义 - 上下文层次结构灵活地集成到不同的基于外观的多对象跟踪方法中。我们还提出了一种基于注意力的视觉特征模块来融合分层视觉表示。该方法在多个多对象跟踪基准中实现了最先进的准确性和时间效率。

Feb, 2024

提出了一种新的上下文感知相关滤波跟踪框架，通过利用多个专家自编码器实现的上下文感知方案进行深度特征压缩来实现高计算速度和最先进的性能。

Mar, 2018

本研究开发了一种实时、高质量的半监督视频目标分割算法，其精度与耗时最长的在线学习模型相当，而速度则与次优精度的最快模板匹配方法相似。其中，核心组件是使用全局上下文模块，通过整个视频有效地总结和传递信息。相较于之前只使用一个或少量帧来指导当前帧分割的方法，全局上下文模块使用所有过去的帧。此外，与之前的最佳空时记忆网络不同，全局上下文模块使用固定大小的特征表示，因此无论视频长度多长，其内存使用和计算成本都会大大降低。使用这种新模块，我们的模型可以在实时速度下达到标准基准的最高性能。

Jan, 2020

本文提出了一个用于视觉跟踪的双网络模型，利用不同深度网络层次上的结构进行层次特征的提取，通过层次特征和边缘检测器相结合，进一步嵌入目标周围局部细节，并对其进行在线更新和独立分量分析，实现了对物体的精确跟踪。在大型基准数据集上进行的定量和定性评估表明，所提出的算法具有很好的性能。

Dec, 2016

本文提出了一种使用场景信息进行跟踪的新架构，使用密集的本地化状态向量来表示该信息，该向量将场景的对象分类为目标 / 背景 / 干扰因素，并将其与外观模型输出相结合以定位目标，该方法在三个跟踪基准上获得了 63.6% 的 AO 得分.

Mar, 2020

本篇论文提出了分别基于 TridentAlign 模块和上下文嵌入模块的连体网络视觉跟踪方法以应对高度变化目标对象和类似类别的干扰对象在视觉跟踪中常常面临的挑战，实验结果表明，该跟踪器的性能可与最先进的跟踪器相媲美，同时实现实时速度。

Jul, 2020