基于全卷积孪生网络的目标跟踪算法SiamFC

论文题目：Fully-Convolutional Siamese Networks for Object Tracking

这是ECCV16的一篇经典论文，主要的task是做视频目标跟踪VOT的。在这之前的一些深度学习算法中都需要在新视频上进行微调（即online training），以学习到新视频中目标的特征，但是fine-tune会花费很多时间，无法做到real-time。而SiamFC这篇文章，采用了一种全新的matching方法，即利用第一帧的mask和后续帧匹配，计算像素级的score map，score值响应大的点就对应着目标区域。

模型的基本结构如下图所示：

如上图，SiamFC采取了一个Siamese的网络架构，有两个不同的输入 $z$ 和 $x$， $z$ 表示视频第一帧的ground truth，其输入维度为$127\ast 127\ast 3$； $x$ 表示search image，其尺寸被resize到 $2$