论文阅读笔记SiamRPN：High Performance Visual Tracking with Siamese Region Proposal Network

SiamRPN是2018CVPR上的一篇文章，通过孪生网络+RPN的方式实现高速、精准的目标跟踪。

摘要

  主要讲述目前大部分深度学习算法无法达到高速和准确同时兼顾，本文的SiamRPN利用大量训练图片实现端对端的离线训练，通过孪生网络进行特征提取，RPN网络进行分类和回归操作。在实际跟踪阶段，可以视为单样本目标检测过程（one-shot detection），VOT2015,VOT2016,VOT2017可以达到160fps的速度。

1.介绍

  主要介绍目标检测的难点在于目标受光照、变形、遮挡等因素干扰，同时实时速度是考虑的重点。然后介绍了一些相关滤波算法，其优势主要体现在实时速度，因为本文主要是深度学习算法，不再赘述。

  本文SiamRPN通过离线训练,分为两个分支：模版分支（template branch）和检测分支（detection branch）。个人理解是模版分支通过预训练encode目标特征，相当于模版分支的作用是，给定一张图片，我们可以获取这个图片中目标的特征信息。然后在跟踪过程中，模版分支通过输入第一帧的图像作为模版获取其特征信息，将该特征信息作为RPN网络的kernel放到检测分支中以提取对应的检测目标的位置信息。这个过程即是one-shot detection，即只用第一帧的图像作为标准，实现一段视频后续的每一帧的目标的跟踪检测。

  本文指出SiamRPN能够在三个Benchmark中达到leading performace的原因有两点：1.离线训练，因此可以使用大规模的数据集（ILSVRC+Youtube-BB）2.RPN网络可以准确预测位置和边界框，避免使用多尺度检测。

  随后列出三个贡献点