随着Web服务的指数级增长，建议使用各种协作QoS预测方法对服务质量（QoS）进行有效评估，并帮助用户选择合适的服务。 考虑到服务调用的复杂时空上下文的影响并在预测过程中利用它们的特征，仍然是一项技术挑战。 为此，我们提出了两个通用的时空上下文感知协作神经模型（STCA-1和STCA-2），通过考虑服务端和用户端的调用时间和多个空间特征来进行QoS预测。 我们提出的模型利用层次神经网络来实现原始特征的嵌入表达，二阶特征的生成，一阶和二阶特征的融合，空间特征之间的交互以及时态特征的逐层化。 特别地，引入注意力机制来自动地将权重分配给空间特征，并实现在特征融合中的判别性应用。。在大规模数据集上的实验证明了该方法的有效性：（1）。预测误差可以显着与基线方法相比尤其如此。在稀疏训练数据的情况下，我们的模型在MAE和NMAE方面的性能提高了约10.9–21.0％，在RMSE方面的性能提高了2.4–7.8％。 （2）注意机制使我们能够更合理地对特征融合的有效性做出直观的解释，从而增强了预测模型的可解释性。

时空上下文视觉跟踪（STC）算法，包含matlab代码和多尺度C++代码，其中C++代码已经解决了边界处理问题。 实测，pc机上i7处理请，30fps

针对在线学习跟踪算法中目标模型更新错误而导致跟踪漂移的问题，提出了一种简单但高效的解决方案。在目标区域均匀采样点跟踪器，基于纹理描述对前后两帧点跟踪器进行置信度评估并以此完成目标初步定位，由多维特征时空上下文模型输出目标位置置信图以完成目标精确定位，同时结合置信图决定模型更新速率并给出了一种多尺度更新机制。实验表明，该方法在背景干扰、快速运动、遮挡、光照变化及尺度变化下均能完成稳健跟踪，在320 pixel×240 pixel的视频序列中平均跟踪速度为55.1 frame/s，可以满足实时应用的需求。

时空上下文跟踪算法，是最近几年出来比较新的跟踪，基友opencv和c++编写，配置好后可以直接运行，跟踪效果理想，对于跟踪一块理解非常好

时空上下文视觉跟踪（STC）算法的代码，包含原作者的matlab代码和zouxy09博主实现的多尺度时空上下文视觉追踪C++代码，其中C++代码已经解决了边界处理问题。