視覚オブジェクト追跡は従来、高速処理アルゴリズム、高精度なオンライン適応手法、および複数のトラッカーの統合に関する独立したアプローチによって対処されてきた。本論文では、他の視覚トラッカー（オフラインおよびオンライン）の利点を活用する新しい追跡手法を提案することで、こうした目標を統一する。コンパクトな学生モデルは、知識蒸留（knowledge distillation）と強化学習（reinforcement learning）の融合により学習される。前者により、他のトラッカーの追跡知識を移転および圧縮することが可能となる。後者により、オンラインで利用可能な評価指標の学習が実現され、その指標を用いて追跡性能を最適化する。学習が完了した後、この学生モデルは以下の三つの用途に応用可能である：（i）非常に高速なワンショットトラッカーの構築、（ii）シンプルかつ効果的なオンライン適応機構を備えたトラッカー、（iii）他のトラッカーの統合を行うトラッカー。広範な実験による検証結果から、本手法がリアルタイム性能を有する最先端のトラッカーと競合可能な性能を達成することが示された。