Kalal 的 Predator 追蹤器從自身的失誤中學習，進而能追蹤任何物件

2011 年的電腦視覺物件追蹤，通常意味著在短時間內追蹤固定的外觀：移動相機、轉動物件，或讓物件離開畫面，追蹤器就會跟丟。當時的示範並未提供一種追蹤器，能在選定後追蹤相機所見的幾乎任何東西，並且在運行過程中持續變得更好。

Zdenek Kalal 是一名在英國薩里大學就讀的捷克博士生，他將 Predator 作為博士研究的一部分開發出來，並在影片中示範：他只選取自己的手指一次，系統隨後幾乎完美地追蹤他的雙手，並從動作中學習，使追蹤在整個過程中不斷改善。報導指出，一段簡短的訓練過程就能教會同一套系統追蹤指尖、臉部，或是在高速公路上疾馳的汽車。

其根本取捨在於讓追蹤器在使用過程中學習，而非在建置時就固定下來。這項示範被定位為一種能從錯誤中學習的演算法，而大學網站上發布的十二段影片與程式碼，讓任何人都能觀看其行為並自行驗證這項說法。

文章將這項成果解讀為通往免持介面的途徑：若將該演算法內建於作業系統中，額頭上的一個點、指尖或移動的頭部就能操控電腦，而無法使用雙手的人也能獲得一種介面。當這段示範於 2011 年 4 月 3 日登上 Hacker News 時，獲得了 460 分與 76 則留言，Kalal 並獲頒「Technology Everywhere」獎。

一次點擊即可初始化追蹤器；每一次失誤都能即時訓練它

學習發生在使用過程中，因此準確度會在影片播放時持續累積，而不是隨著物件改變而下降。

一次點擊即可定義目標，因此同一套演算法能追蹤手指、臉部或汽車，而不必為每個物件建立新模型。

由於它會從相機所呈現的內容中學習，包括自身的失誤，因此一段簡短的訓練過程就能讓它適應尺度、方向和可見度的變化。

公開示範影片與程式碼，讓一個博士研究專案變成數千名工程師能夠觀看與探究的對象，而這正是推動這個想法傳播的原因。

當系統必須處理它從未預先訓練過的物件時，讓它從自身在運行時的失誤中學習，而不是交付一個凍結的模型：即時回饋會把每一次失敗轉化為下一次的改進。

Predator 於 2011 年 4 月觸及技術受眾，在 Hacker News 上獲得 460 分與 76 則留言。讀者找到了 Kalal 在薩里大學的頁面，注意到該方法背後的論文，並發現當時宣稱可免費取得的程式碼，實際上僅以電子郵件索取的方式、依 GPL 聲明發布，這點遭到數名留言者質疑。其他人則探究它會在何處失效，例如指尖被手遮住而跟丟。文章記錄了「Technology Everywhere」獎，並預見由移動頭部操控的介面；在這些來源中，並未出現任何商業產品或經測量的採用情況。