在計算機視覺領域，通用目標跟蹤（Generic Object Tracking, GOT）是使機器具備接近人類視覺感知能力的核心問題。人類視覺系統能夠透過整合觀察與累積經驗，持續適應目標和環境的變化，同時保持對動態場景的穩健視覺連續性。這種能力依賴於先驗知識、空間幾何和語義上下文的融合，從而理解複雜場景及其演變。
然而，當前的機器跟蹤模型面臨諸多挑戰。跟蹤器僅根據第一幀中任意指定目標的邊界框進行初始化，並需在後續動態視覺流中持續定位目標。未來事件、觀察和現實世界的變化本質上是不可預測的，因此模型的泛化和線上自適應能力成為瓶頸。當目標發生嚴重變形、受到複雜干擾物影響、遭遇顯著環境變化或屬於訓練中未見過的類別時，跟蹤可靠性會急劇下降。
Shih-Fang Chen的博士論文（2026年，國立陽明交通大學）旨在透過提出一系列方法，系統性地增強跟蹤模型的目標辨別能力、魯棒自適應能力和幾何推理能力，從而彌合機器視覺跟蹤系統與人類視覺感知之間的差距。這些方法有望提升機器在各種複雜場景下的跟蹤可靠性，推動通用目標跟蹤向人類級感知智慧邁進。