学习长期跟踪器分数的空间分布
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
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
本文对深度学习手段在视觉目标跟踪中的应用作了全面综述，包括常用的数据集、评估指标以及当前领先的跟踪器，并对它们进行了量化和定性分析，旨在为实践者在选择方案时提供指导和对未来方向进行探讨。
Dec, 2019
提出了一种名为 Track Long and Prosper（TLP）的新型长视频数据集和单个目标跟踪基准，包含 50 个高清视频，超过 400 分钟（676K 帧），是现有通用数据集平均持续时间的 20 倍以上，通过对 17 种现有跟踪器进行精度和运行时间速度排名，以及定性和定量评估，突出了跟踪性能的长期方面的重要性并指出了研究努力在长期跟踪方向的潜在需求。
Dec, 2017
本文提出了一种长期视觉对象跟踪性能评估方法和基准，并设计了性能度量标准，以最大程度地增强对分析的探究力度。此外，还提出了新的数据集并分析了跟踪架构对长期性能的影响，以及重新检测策略和视觉模型更新策略对长期跟踪漂移的影响。
Jul, 2019
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
我们设计了一种有效的视觉 - 语言表示方法，同时为追踪问题构建了一个大型带有语言注释的数据库。通过引入异构架构搜索和模态混合器等核心技术，以及对不同模态之间进行对比损失的引入，我们能够显著改善追踪问题的解决方案，并期望将更多注意力转向视觉 - 语言追踪，为未来的多样化多模态消息追踪开辟更多可能性。
Jul, 2023
本文提出了一种新的视觉目标跟踪模型，通过知识蒸馏和强化学习训练了一个紧凑的学生模型，可以从其他跟踪器中传输和压缩跟踪知识，并利用在线学习的评估措施，建立一个快速、简单且有效的跟踪机制使得最终跟踪器与实时最先进的跟踪器具有相同的竞争力。
Jul, 2020