通过利用完全卷积网络的表达能力，将视觉跟踪问题视为并行分类和回归问题，避免了与候选框相关的超参数，使得 SiamBAN 更具灵活性和通用性。在包括 VOT2018、VOT2019、OTB100、NFS、UAV123 和 LaSOT 的视觉跟踪基准测试中进行了广泛实验，证明了 SiamBAN 的高效性和有效性。

Mar, 2020

本文提出了一种新的算法，使用椭圆拟合来估计带有分割（掩膜）的目标的边界框旋转角度和大小，即 SiamMask_E 算法，在保持快速跟踪帧率 (80 fps) 的前提下，改善了现有 SiamMask 算法的边框拟合过程。在使用旋转边框标记的视觉对象跟踪数据集上测试，与原始 SiamMask 相比，我们实现了 0.652 和 0.309 的提升 EAO 的精度，在 VOT2019 上分别比原始 SiamMask 高 0.056 和 0.026。

Jul, 2019

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

该研究介绍了一种名为 SiamMask 的方法，可实现单个简单方法的实时视觉对象跟踪和半监督视频对象分割。 在实时操作过程中，SiamMask 仅依赖于单个边界框初始化，以每秒 55 帧的速度产生类不可知对象分割掩模和旋转边界框。 该方法在 VOT-2018 实时跟踪器中实现了新的最新技术，同时在 DAVIS-2016 和 DAVIS-2017 的半监督视频对象分割任务中提供了最佳速度和最佳性能。

Dec, 2018

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

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

本文介绍了一种基于增强 Siamese 神经网络的相似性映射的跟踪系统，该系统考虑了外观和几何信息，并可进行端到端的训练，以减少整体系统复杂性和需要针对特定环境进行调整的超参数数量，在 MOT16 挑战中取得了具有竞争性的速度和准确性。

Sep, 2016

本文提出了一种基于区域的孪生多目标跟踪网络（SiamMOT），采用运动模型估计两帧之间的物体运动，探讨两种不同运动建模对多目标跟踪效果的影响，通过在三个数据集上进行实验，SiamMOT 相对于当前技术的跟踪方法具有明显的优越性，并且具有高效性。

May, 2021

本研究提出了一种名为 SATIN 的 Siamese Attentioal Keypoint Network 用于高效追踪和准确定位目标，其可利用轻量级沙漏网络、交叉注意力模块和关键点检测方法来提高特征图的辨别力和定位能力，并在多个基准数据集上获得了最新的性能表现。

Apr, 2019

本文提出了一种新型的跟踪器，使用了一个独有的方法，并使用了 Siamese 深度神经网络进行泛化训练，在不需要目标数据的情况下学习匹配函数，这种匹配函数在大部分情况下能够实现 state-of-the-art 的追踪性能。

May, 2016