目标跟踪论文（四）：SiamRPN++_ Evolution of Siamese Visual Tracking With Very Deep Networks

SiamRPN++_ Evolution of Siamese Visual Tracking With Very Deep Networks

简述：

尽管已经有很多基于Siamese跟踪算法，但目前的这类网络大都使用浅层的类AlexNet作为基准特征提取器。而利用深度网络（例如ResNet-50等网络）其性能不升反降，作者证明其核心原因在于缺乏绝对的平移不变性。作者提出了空间感知采样打破了这一限制，并提出分层深度聚合的架构，在五大跟踪数据集上均获得了最佳效果。

问题or相关工作：

现有的Siamese网络虽然在精度和速度方面的均取得了不错的性能，但是基本上都是在AlexNet改进的网络架构，而深层网络无法提升跟踪的性能。主要工作如下：

1. 对孪生跟踪器进行了深入的分析，并证明在使用深网络时，精度的降低是由于绝对平移不变性的破坏。
2. 提出空间感知采样策略，打破空间不变性的限制，成功地训练了基于Resnet架构的孪生跟踪器。
3. 提出了一种基于层次的互相关操作特征聚集结构，有助于跟踪器根据多层次学习的特征预测相似度图。
4. 提出了一种深度可分相关结构，以增强相互关系，生成具有不同语义意义的多重相似映射。

算法&模型：

1. 分析孪生网络的性质：
   传统的Siamese网络：
   （1）需要满足严格的平移不变性，padding会破坏这种性质࿱