视觉目标追踪（Visual Object Tracking, VOT）指的是通过视频连续帧识别并跟踪指定目标位置的过程。这项技术广泛应用于自动驾驶、智能监控、无人机拍摄等领域。然而，传统基于RGB（红绿蓝）相机的追踪技术在面对光照变化、目标快速移动、视野范围外等复杂场景时表现并不理想。因此，近年来引入了新的传感器，如事件相机，以提高追踪性能。
事件相机是一种仿生传感器，能够异步输出事件脉冲，并通过检测光强度变化来捕获运动信息。与传统相机相比，事件相机在快速移动的物体追踪、高动态范围、低能耗和低延迟等方面具有优势。
当前基于事件相机的追踪方法主要分为两类：
这篇论文中提到，目前已有的事件追踪数据集多为低分辨率（例如，346×260），尚未验证在高分辨率（如1280×720）事件数据上的效果。这就引出一个问题：能否在训练阶段利用多模态或多视角数据进行知识转移，从而在测试阶段仅通过事件数据实现稳健的追踪效果？
为解决上述问题，本文提出了一个层次化知识蒸馏框架，通过教师-学生网络结构实现跨模态知识转移，以便在测试时仅利用事件数据完成快速低延迟的目标追踪。论文的主要贡献包括：
在事件相机追踪中，由于事件相机生成的数据与传统的RGB视频帧有所不同，仅依靠事件相机数据来训练的模型会面临很多挑战，比如事件数据稀疏和背景噪声较多。因此，论文提出了一种创新的方法，即层次化知识蒸馏（Hierarchical Knowledge Distillation），通过教师-学生网络架构将多模态数据（RGB与事件数据）所包含的知识传递给纯事件数据网络，以实现高效且低延迟的追踪。
整体框架由以下几部分组成：