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

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

本文提出了一种名为 SiamAttn 的可变形注意力机制的 Siamese 追踪器，该机制通过自注意和交叉注意来计算特征，能够有效地更新目标模板和聚合丰富的上下文信息以进行更准确的视觉目标跟踪，并在六个基准测试中实现了最新的最优结果。

Apr, 2020

该研究提出了一种新的基于 Siamese 网络的两阶段方法，即第一阶段用于高质量锚点提取，第二阶段用于锚点的细化优化，从而实现了对小物体、遮挡物和快速移动物体的自适应锚点生成，大大降低了计算量，在三个基准测试中获得了更优秀的表现，并取得了大约 200 帧 / 秒的速度。

Dec, 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

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

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

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

提出了一种多注意力关联预测网络（MAPNet），用于解决现有模型中存在的问题，并构建了一个基于该预测网络的模型，在五个追踪基准测试中取得了领先的性能。

Mar, 2024