这篇提交于2026年7月1日的博士论文《Rethinking Generic Object Tracking Toward Human-Level Perceptual Intelligence》（重新思考通用目标跟踪，迈向人类水平的感知智能）由作者Shih-Fang Chen完成，隶属台湾阳明交通大学，属于计算机视觉与模式识别（cs.CV）方向，同时涉及人工智能（cs.AI）、机器学习（cs.LG）、多媒体（cs.MM）以及图像与视频处理（eess.IV）等学科，ACM分类为I.4.8与I.2.10。论文以arXiv编号2607.01395发布，第一版于2026年7月1日18:54:00 UTC提交，全文约35,923 KB，并提供PDF、实验性HTML与TeX源码等获取方式。arXiv管理员备注指出，该论文与arXiv:2602.14771存在大量文本重叠，这一点在阅读与引用时需要留意。
论文的出发点是人类视觉感知的核心能力：人眼能够在外部世界不断变化的情况下，维持连续且连贯的理解。人类视觉系统把当下的观察与长期积累的经验结合起来，既能适应目标本身的变化，也能适应目标周围环境的变化，并在场景动态演化时保持稳定的视觉连续性。正因如此，人类视觉可以整合先验知识、空间几何与语义上下文，从而理解复杂场景及其变化。作为计算机视觉中的核心问题，视觉目标跟踪的目标正是让机器感知更接近人类视觉感知，而这些能力恰恰是通用目标跟踪（Generic Object Tracking，GOT）任务的关键所在。
在通用目标跟踪任务中，跟踪器仅在第一帧获得任意指定目标的边界框作为初始化信息，随后必须在连续动态的视频流中持续定位该目标。这一设定带来了根本性困难：未来的事件、观察结果以及真实世界中的各种变化本质上都是不可预测的，因此模型的泛化能力与在线自适应能力始终是瓶颈。当目标发生严重形变、受到复杂干扰物影响、遭遇显著的环境变化，或者目标属于训练阶段从未见过的类别时，跟踪的可靠性会明显下降。
针对上述问题，本论文的目标是缩小机器视觉跟踪系统与人类视觉感知之间的差距。作者提出了一系列方法，系统性地增强跟踪模型的目标判别能力、稳健自适应能力以及几何推理能力。论文未在摘要中逐一展开各方法的细节，但从研究定位看，其贡献围绕三个维度展开：更准确地区分目标与背景及干扰物、在动态环境中实现在线适应、以及利用空间几何关系提升定位的稳定性。这些方向直接对应通用目标跟踪在真实场景中失效的主要成因。
从研究意义上看，这项工作把“人类水平感知智能”作为跟踪研究的参照系，而非仅追求特定基准上的精度提升。它强调跟踪器需要在不可预知的未来观察中保持连贯理解，这与人类视觉依靠经验与上下文维持稳定感知的机制形成对照。论文的提交信息、学科分类与引用方式（DOI: 10.48550/arXiv.2607.01395，由DataCite发放，尚待注册）均已公开，研究者可通过arXiv页面获取PDF、HTML及TeX源码，并借助NASA ADS、Google Scholar、Semantic Scholar等工具追踪其引用情况。