El seguimiento de un solo objetivo es una de las tareas importantes en la visión por computadora, que tiene como objetivo localizar con precisión el objetivo en una secuencia de video. Aunque el aprendizaje profundo ha impulsado el rápido desarrollo del campo del seguimiento de un solo objetivo, problemas como la deformación del objetivo, fondos complejos, oclusión y cambios de escala siguen siendo un desafío. Este artículo revisa sistemáticamente los métodos de seguimiento de un solo objetivo basados en aprendizaje profundo de los últimos 10 años, abarcando los modelos secuenciales tradicionales basados en redes neuronales convolucionales, redes neuronales recurrentes y redes siamesas, métodos con arquitectura híbrida que combinan redes neuronales convolucionales y Transformer, y los métodos más recientes basados completamente en Transformer. Este artículo evalúa y analiza el rendimiento de diferentes algoritmos en cuanto a precisión, robustez y eficiencia computacional en conjuntos de datos como OTB100, LaSOT y GOT-10k, y explora las perspectivas de investigación de los algoritmos de seguimiento de un solo objetivo basados en aprendizaje profundo.

seguimiento de un solo objetivo; seguimiento visual de objetivos; aprendizaje profundo; redes neuronales convolucionales