Learning Dynamic Siamese Network for Visual Object Tracking—ICCV2017 阅读

本文主要是基于SiamFC跟踪器，考虑如何使tracker能够对目标外观随时间的变化做出实时响应以及如何对背景噪声干扰进行抑制。虽然Siamese网络在跟踪器的匹配精度以及速度保持上具有巨大的潜力。但是它们在分类上仍有很大的差距。本文作者提出一种动态的Siamese网络，通过快速转换学习模型，能够有效的在线学习历史数据上的目标外观变化以及背景抑制。并给出一种基于多层特征自适应融合的方法。同时所提出的动态Siamese网络可以直接在标记的视频序列上进行训练，能够充分利用运动目标的时空信息，而不是随机选取两帧来进行训练。

Abstract.

How to effectively learn temporal variation of target appearance, to exclude the interference of cluttered background, while maintaining real-time response, is an essential problem of visual object tracking.

如何有效地学习目标外观随时间的变化，排除杂波背景的干扰，同时保持实时响应，是视觉目标跟踪的核心问题。

Recently, Siamese networks have shown great potentials of matching based trackers in achieving balanced accuracy and beyond real-time speed.

当前，基于Siamese的跟踪器（基于matching）在精度和速度上获得了一个平衡。

（之前的基于深度网络的跟踪器精度不错但是速度很慢，基于相关滤波等传统方法的跟踪器速度较快，但是性能较差。基于Siamese的跟踪器在保证精度的同时，跟踪速度很快）

However, they still have a big gap to classification and updating based trackers in tolerating the temporal changes of objects and imaging conditions.