目标跟踪（四）：Fully-Convolutional Siamese Networks for Object Tracking (SiameseFC)
论文：Fully-Convolutional Siamese Networks for Object Tracking
核心点
全卷积孪生网络模型是解决图像匹配问题的一种高效方法。在论文中所讨论的问题实质上是一个基于图像相似性的度量问题。该方法通过模板匹配技术对输入图像进行特征提取与比较，在实际应用中表现突出：其中z代表输入的模板图像样本,x代表待检测的目标图像样本,两者的特征提取过程采用了相同的AlexNet架构。经过特征提取后的结果进行深度学习中的卷积操作,这一步骤等同于传统的模板匹配方法。实验数据显示该网络不仅具有较高的识别准确率,而且运行效率也非常出色,达到86帧每秒的处理速度
其他点
性能优异，并且运行速度极快（86FPS），该简洁高效的方法也使得许多Tracking研究后续得以在SiameseFC框架下进行。
2：数据训练过程中的一个问题，在本研究中采用特征提取网络进行建模。该网络通过充足的数据进行预先进行离线训练，并能够适应不同尺寸的照片输入。有关详细信息，请参阅关于...的部分（Data Curation）
2：数据训练过程中的一个问题，在本研究中采用特征提取网络进行建模。该网络通过充足的数据进行预先进行离线训练，并能够适应不同尺寸的照片输入。有关详细信息，请参阅关于...的部分（Data Curation）
本研究选择AlexNet作为网络架构，并在其中采用了VALID边界模式的设计方案。实验结果表明采用SAME边界模式时，在OTB100基准集上的跟踪性能相比采用VALID边界模式的情况下降约十个至十五个百分点。这主要是因为当使用VALID边界模式时卷积操作会缩小输出尺寸，并且可能导致模型仅能捕捉到输入图像中心区域的信息特征。值得进一步探讨的是其他主流网络架构的设计方案如VGG、ResNet等。
4：实验结果及其他细节可参考论文原文及代码。