基于siamesefc的针对模板匹配问题以及在线更新策略的改进

切入点是：

因为总是利用模板的首帧作为匹配条件太过于机械，通常siamesfc网络是将目标搜索区域大小设置为目标的2至3倍，再利用余弦窗口掩盖补丁以减少边界效应，去除噪声，若背景混乱则检测范围小，在跟踪失败时容易发生。孪生网络进一步提升了判别能力。建议在线收集各种模板。单模板匹配限制了星罗网络的限制能力。故在线构建模板库，这样可以收集模板。
1、本文主要贡献如下：
自适应的模型更新策略，为防止跟踪飘逸
在线建立模板库。以增强所用星罗网络的可分辨性。
单一的模板匹配策略限制了其模板匹配的能力，故在这个孪生框架中建立一个多样化的模板库，用可靠的方式验证跟踪结果。
2、传统的基于CF的跟踪器实现了类似的策略，如LMCF。而在信道注意方面CSR-DCF 也做了工作。但是这都是基于CF跟踪器的条件下，是基于手工特征，以及混乱的模型更新，使他们无法在背景混乱方面准确的区分真实目标。而我们此时利用具有深度特征的 孪生网络来挑选真正的目标。
主要是可以有效的区分背景信息，用以解决背景和目标的区分。
3、首先介绍模板库的构建，再介绍自适应的模板更新和多模式的验证策略。

关于尺度估计采用尺度滤波器，

为获得更高的定位精度以及计算效率，一般是两种方法 首先是相关分数的子网格的插值，和使用主成分分析的来降低特征维度。
关于孪生网络最主要的是计算模板图像和候选图像的相似度。通过高低分确定是否是相同图像。
单模板模式是指利用第一帧的给出的真实目标图像作为唯一的模板，模板库的模式是本文构建信息。并且该库中有m个模板，表示为。根据是否使用模板库策略，暹罗网络有两种不同的方式来实现自适应模型更新和多模式检测策略，即单模板模式和