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

该研究提出了一套针对高性能通用物体跟踪器设计的实用目标状态估计指南，根据这些指南设计了Fully Convolutional Siamese tracker++（SiamFC ++）， 并在五个有挑战性的基准测试（OTB2015，VOT2018，LaSOT，GOT-10k，TrackingNet）上取得了最先进的性能。在大规模的TrackingNet数据集上，SiamFC ++ 实现了75.4的AUC得分，远高于实时要求。

Nov, 2019

本文提出了一种基于概率回归的视觉跟踪方法，用于建模不确定性和噪声，通过最小化Kullback-Leibler 离差散度进行训练，实验结果显示这一方法在六个数据集上都取得了最佳性能表现。

Mar, 2020

本文提出了一个基于transformer的视频物体跟踪器，在Siamese-like跟踪管道中，编码器在模板中注入了基于注意力机制的特征强化以增强模型生成质量，解码器传递上一个模板的跟踪线索到当前帧以方便目标搜索，结果本方法作为一种最先进的记录在普遍跟踪基准上获得了成功。

Mar, 2021

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

本文提出了一种名为SiamRCR的新型同孪网络追踪算法，建立了分类和回归分支之间的相互关联，通过添加定位分支来解决分类和回归不准确之间的问题，证明其在多个实验结果上具有优越性。

May, 2021

本文介绍了一个名为 $ extbf{TCOW}$ 的新基准和模型，用于在存在较强遮挡和包容的情况下进行视觉跟踪，并通过混合数据集支持模型性能的监督学习和结构化评估。该文还测试了两种基于transformer的视频模型在跟踪任务上的表现，并发现它们在特定的任务变化设置下具有一定的跟踪能力，但在说服地表达目标对象持久性之前仍存在相当大的性能差距。

May, 2023

本文介绍了一种名为RTrack的新型目标表示基准追踪器，该追踪器利用一组样本点来获取伪边界框，并自动排列这些点以定义空间范围和突出显示局部区域。我们还对训练潜力进行了深入研究，并引入了一对多的前导分配策略，该方法在GOT-10k数据集上实现了与最先进的追踪器竞争性性能，并将训练时间减少到了先前性能最佳追踪器的10%。大量实验证明，我们提出的RTrack在更快的收敛速度下取得了最先进的结果。

Sep, 2023

通过使用动态网络路由所启发，本文提出了一种用于高效追踪的动态转换器框架，通过学习自动配置适当的推理路径来实现更好地利用可用计算预算，从而在相同运行速度下实现更高的性能。

Mar, 2024

在计算机视觉中，多目标跟踪仍然是一个重大挑战，需要对视频序列中的多个对象进行精确定位和连续跟踪。本文提出了一种基于稀疏存储的新型记忆方法，通过选择性地存储基于对象运动和重叠意识的关键特征，旨在提高效率同时减少冗余。该方法在DanceTrack测试集中相对于MOTRv2取得了显著的改进，HOTA指标增加了1.1％，IDF1得分增加了2.1％。

Jul, 2024