本文提出了一种用于视觉跟踪的新方法，通过使用卷积神经网络来学习下一帧的目标模板，从而提高现有 Siamese 方法的效果。经过在多个数据集上的实验证明，这种模型可以有效地定位目标并提高跟踪的准确率。

Aug, 2019

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

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

本文提出一个在线模块，带有离线 siamese 网络中的注意机制，用于提取基于 L2 误差下的目标特定特征。我们进一步提出了适应性的滤波器更新策略以处理背景噪声和模板更新策略以处理大目标形变，其在三个 siamese 基线上的持续改进中得到了显着有效性验证，并且基于 SiamRPN++ 的模型在六个受欢迎的跟踪对比基准中获得了最佳结果，可以超出实时操作。

Sep, 2019

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

该研究提出了一种新的无监督跟踪框架，通过跟踪变化明显的物体，解决了以往模板匹配无法处理较长时间跨度的问题，并通过正向和反向跟踪视频，学习了时间上的对应关系并且通过提出的一致性传播转换和不可微的区域遮盖，构建了一个可靠的特征模板，采用基于质量伪标签动态赋权值的策略，提高了学习效果，达到了 TrackingNet 和 LaSOT 等大规模数据集上有监督方法的表现水平。

Apr, 2022

提出了一种基于 Siamese 匹配网络和元学习网络的新型在线视觉跟踪框架，其运行速度非常快。该算法利用元学习网络提供目标对象的新外观信息，通过添加目标感知特征空间，消除了在跟踪中不断解决复杂优化任务的必要性。在保持与其他最先进的跟踪算法相当的性能的同时，实验结果证明我们的算法运行速度是实时的。

Dec, 2017

本文关注于学习一种能够识别语义背景干扰的 Siamese 追踪网络，提出了一种有效的训练策略和增量学习模块，同时引入局部到全局搜索策略，实现了在多个数据集上的显著表现。

Aug, 2018

我们提出了一种基于自注意力 / 交叉注意力的目标依赖特征网络，通过深度嵌入多层特征的交叉图像特征相关性，抑制了非目标特征，从而实现了实例变化的特征提取，在不需要额外的相关步骤的情况下可以直接用于预测目标位置，且可以灵活地在丰富的无配对图像上进行预训练，实现了较快的收敛速度和最先进的实时跟踪性能。

Mar, 2022

本研究提出了一种深度自适应的卷积 Siamese 网络，使用参数门控函数控制卷积的深度以平衡跟踪精度和计算成本，在 VOT2016 基准测试上取得了可比较的精度。同时，对比传统的固定结构神经网络，在给定计算成本下取得了更高的精度，该框架可以在卷积神经网络的其他任务中使用，并使运行时的速度与准确性交换。

Jan, 2018