Fully-Convolutional Siamese Networks for Object Tracking（SiamFC）

Fully-Convolutional Siamese Networks for Object Tracking（SiamFC，ECCV2016）

全卷积网络的优势在于，可以将一个更大的搜索图像作为输入提供给网络，它将在单个评估中计算所有平移后的子窗口的相似度，而不是提供与模板图像具有同样大小的图像。

模板分支的输入图像大小为127×127×3，搜索分支的输入图像大小为255×255×3，经过特征提取网络（作者采用了AlexNet的网络结构）后，分别得到6×6×128的模板特征图和22×22×128的搜索特征图，而后进行互相关操作，生成17×17×1的响应图。

特征图计算公式：(W - F + 2P) / S + 1 --> 卷积层没有使用任何填充，故P=0

用大的搜索图像进行训练

采用正负样本的判别性方法，并使用logistic损失来训练网络。

其中y∈{+1, -1}为真实标签，$v$为网络输出的单个响应值，$D$是生成的响应图，$u$是$D$中的某一个值，$|D|$为响应图的大小。响应图中的标签值根据以下公式得到：

实际考虑因素

离线获取每一帧的模板图像和搜索图像，以避免在训练期间调整图像大小。模板图像的大小可根据以下公式计算得到：

其中$A=127^2$，$(w,h)$为图像的宽和高，$s$是对图像的一种变换，即先进行(w+2p)×(h+2p)的扩展，再将其resize成127×127的大小。

对于搜索图像，以上一帧预测框的中心为裁剪中心，裁剪出255×255大小的图片。

当模板图像和搜索图像不够裁剪时，会利用图像RGB通道的均值对其进行填充，填充效果如下所示。

网络最终生成的是17×17的heat map，而输入的搜索图像为255×255，为了实现映射关系，作者将17×17的响应图进行双三次插值生成272×272的图像来确定目标的位置。