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

介绍了一种基于差值插值的补丁选择算法，简化了 AdaFocus 的训练过程并提高了效率，并提出了一种改进的训练方案和条件退出技术，该模型在六个基准数据集上表现出更好的性能。

Dec, 2021

本文旨在解决跨帧多实例半监督视频对象分割，其中仅提供第一帧盒级地面实况图的主要任务。我们提出了一种使用强化学习的新方法，以同时做出这两个决定来克服现有方法的局限性。实验表明，我们的方法比先前的最先进方法快近 10 倍，精度更高（在 DAVIS 2017 数据集上的区域相似性为 69.1%）。

Apr, 2020

本文引入了 EchoTracker，一种基于学习的点追踪技术，在超声图像序列中实现对组织表面上查询点的追踪，该技术能够提高超声心动图中的定位和测量精度，为临床诊断和预后评估提供更高的价值。

May, 2024

提出了一种新的适应性流协作分组方法（Adaptive Collaboration of Flows，AdaCoF），可以综合处理复杂运动的广泛领域，加入双帧对抗性损失，用于视频帧内插计算，实验结果表明优于现有的最佳方法。

Jul, 2019

本文提出一种基于空时内存网络的新型追踪框架，利用历史信息以适应目标外观的变化，采用像素级相似度计算实现更精准的边界框生成，能够在真实时间下跟踪并优于先前所有最先进的实时方案。

Apr, 2021

本研究旨在解决模板适应性问题，结合深度卷积神经网络和模板特定的线性 SVM，发现其在模板之间迁移的情况下可以显著提高面部识别性能，而这种方法较之传统的二维和三维对齐方法结果相当。

Mar, 2016

通过模拟光流和引入隐函数模板，我们提出了一种强大的方法来恢复受大气湍流影响的图像的辐照度，该方法在注册中没有使用模板，避免了与模板初始化相关的伪影，并取得了最先进的性能。

May, 2024

本文介绍了 DOT，一种新颖、简单且高效的方法，用于解决点追踪中存在的遮挡问题，并且通过最近邻插值计算粗糙的初始估计密集流场和可见性掩码，然后利用可学习的光流估计器对其进行精细化处理。实验证明 DOT 相较于当前的光流技术更加准确，在速度方面至少快两个数量级。

Dec, 2023