在本文中，我们提出了两种简单而有效的机制：角度估计和空间遮罩，以解决 Siamese 网络追踪器的旋转和背景干扰问题，并提出了一个名为 Siam-BM 的结果追踪器，它不仅显着提高了追踪性能，而且更重要的是保持了实时性。在 VOT2017 数据集上的评估表明，Siam-BM 实现了 0.335 的 EAO，这使其成为迄今为止表现最佳的实时追踪器。

Sep, 2018

本研究提出了一种基于联合推理网络的轨迹外观模型，有效解决了在多目标跟踪中应对高维度外观信息的问题，且在识别目标与观测匹配以及保持目标的一致性方面具有重要贡献。

Jul, 2019

本文提出了一种基于孪生网络的目标跟踪方法，其中引入了目标强调模块来提高相似性响应映射的目标区域的聚焦能力，同时使用校正损失来训练模型以减少分类和回归之间的不匹配，实验表明该方法优于当前模型在性能上表现，同时效率达到 38 fps。

Mar, 2023

本文提出一种新颖的数据关联方法，通过引入一个两阶段的学习方案来匹配检测对，第一阶段使用 Siamese 卷积神经网络来学习编码两个输入图像 patch 之间的局部空时结构描述符。第二阶段使用由比较的输入 patch 的位置和大小导出的一组上下文特征，通过梯度提升分类器与 CNN 输出结合来生成最终匹配概率，表明即使简单高效的跟踪器也可能在我们学习的匹配概率上表现优异，已公开可用的序列结果表明我们的方法达到了多人跟踪的最新标准。

Apr, 2016

本文提出了一种热红外跟踪器，命名为 HSSNet，它使用层次空间感知 Siamese 卷积神经网络来验证相似性并生成更强的可辨别能力，与其他方法相比，在 VOT-TIR 2015 和 VOT-TIR 2016 基准测试上取得了较好的性能表现。

Nov, 2017

本文提出了一种简单的基于目标感知的 Siamese 图注意力网络解决视觉跟踪中的相似性匹配问题，通过建立完全二分图建立目标和搜索区域之间的部分对部分对应关系，并应用图注意力机制从模板特征传播目标信息到搜索特征，使用目标感知区域选择机制适配不同对象的大小和纵横比变化，实验证明该算法优于现有基于深度学习的最先进跟踪器。

Nov, 2020

提出了一种基于 Siamese 网络的实时物体跟踪方法，利用图像分类任务中学习到的语义特征和相似度匹配任务中学习到的外观特征相结合，其中包括两个支路，一个用于语义特征学习，另一个用于外观特征学习，并针对前者提出了通道注意力机制，同时在 OTB-2013/50/100 数据集上取得了比其他实时跟踪器更好的性能。

Feb, 2018

Siamese Track-RCNN 提出了一种单一追踪系统，其中包括检测支路、基于 Siamese 的跟踪支路和物体重新识别支路，测试表明其在 MOTChallenge 等数据集中的表现优于现有方法且更加高效。

Apr, 2020

本文介绍了一种针对视觉目标跟踪的新算法 Siamese Keypoint Prediction Network，该算法采用级联方法进行预测建模，并在四个基准数据集上实现了卓越的跟踪效果。

Jun, 2020

使用 ILSVRC15 数据集训练的全卷积 Siamese 网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。

Jun, 2016