简介
SiameseFC：Fully-Convolutional Siamese Networks for Object Tracking SiameseFC：Fully首次有效的将CNN应用到SOT任务，可以说SiameseFC：Fully之于SOT，不亚于RCNN之于object detection； SiameseFC：Fully之前的SOT任务一般使用简单模型在线训练，SiameseFC：Fully的训练是离线的，所以效果和效率能很好的平衡； SiameseFC：Fully是全卷积的结构，所以理论上可以接收任何尺寸的输入图像； SiameseFC：Fully在VOT-15上当时达到SOTA，但是训练是在ILSVRC object detection from video challenge上，因为VOT，ALOV和OTB加起来视频也不到500个；
原理
本质上，SiamFC是在计算模版z在待跟踪图像x上的各个子区域的相似度，相似度大的即为跟踪结果
模版z和待跟踪图像x都首先通过同一个模型φ，分别输出fz：[6,6,128]和fx：[22,22,128]的特征图，所以这个方法是Siamese Networks； 最后fz作为核在fx作卷积，输出y：[17,17,1]，因为核只有一个，所以y的channel为1； [6,6,128]的kernel比较大，但是size(22,22)不大，kernel也只有一个，所以不影响效率； fz作为核在fx作卷积的过程（*）就是相关滤波； 从另一个角度理解，图像处理，模式识别中有一种古老的匹配算法：模版匹配，SiamFC的inference过程和模版匹配很相似； SiameseFC：Fully用于计算的不再是原图和原始模版，而是提取后的特征； 如果相似度的计算是相乘后相加，配合滑动窗遍历的过程，就是卷积。 SiameseFC：Fully的主干网络类似于AlexNet，或者是是在AlexNet的基础上修改的，no padding；
最后的相关滤波操作，也是no padding的。
问题
SiamFC的下采样倍率是固定的，在上图中最后输出特征图[17,17,1]上每一个点，只能按照15的倍率向原图映射； 所以SiamFC的bbox的大小一直不会变，视频中的目标由远及近等情况的时候，会在图像中变大，但bbox框并不会变大； 这对预测精度影响很大，为了解决这个问题，SiamFC简单粗暴的选择了多尺度预测，即SiameseFC：Fully-3s(scale=3)和SiameseFC：Fully-5s(scale=5)。
