本文提出了一种新的基于关注机制的 Siamese 追踪器 (SiamAPN ++), 以便实现 UAV 跟踪的实时高效性和卓越性能。实验表明，该追踪器在两个权威基准测试中胜过了其他目前最先进的追踪器，并且在典型的嵌入式平台上实现了令人满意的实时追踪结果.

Jun, 2021

该论文提出了一种基于物体感知的无锚点跟踪网络，通过直接预测目标对象的位置和规模，以及引入功能对齐模块来从预测的边界框中学习物体感知特征，从而提高跟踪鲁棒性和精度。实验证明，该跟踪器在五个基准测试中均取得了最先进的性能。

Jun, 2020

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

这篇论文介绍了 Siamese Transformer Pyramid Network（SiamTPN）方法，该方法结合了 CNN 和 Transformer 的优势，并针对移动平台的计算资源有限的情况，构建了一个稳健的、针对目标的外观模型。实验结果表明，该方法在高速操作时取得了竞争性的结果，且在 LaSOT 数据集上的 AUC 得分为 58.1%。

Oct, 2021

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

该研究提出了一种使用全卷积孪生网络以像素级方式解决视觉跟踪问题的方法，其中包括特征提取和边界框预测两个子网络，不需要基于区域建议，能够更简单、更准确地进行目标跟踪。

Nov, 2019

本文提出一种通过学习镜头间距离度量来自动将广播视频划分为连贯场景的模型，并通过比较算法与最近提出的自动场景分割方法来展示其有效性。同时提出了一个改进的性能评估方法，旨在减少数值评估和预期结果之间的差距，并提出和发布一个新的基准数据集。

Oct, 2015

研究者通过理论分析和实验证明了 Siamese trackers 缺乏严格的平移不变性，为此提出了一种用于改善性能的有效的空间感知采样策略。通过进行广泛的消融研究，该模型在四个跟踪基准中获得了最佳结果，包括 OTB2015、VOT2018、UAV123 和 LaSOT。

Dec, 2018

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