UpSample操作在Object Tracking中（如前面的SiameseFC方法）经常出现，笔者就分步上采样问题做了一个小实验。
实验说明
该对比实验选择两种采样方法:方法1采用两次上采样，method记为A和B，分别从17*17通过A上采样到33*33,再通过B上采样到272*272；方法2采用一次上采样，method记为C，直接将17*17上采样到272*272。实际上是对tf.image.resize_images中method为tf.image.ResizeMethod.BICUBIC或 tf.image.ResizeMethod.BILINEAR进行一个小的对比实验。
这里的17*17实际上模拟的是SiameseFC输出的相似度矩阵，代码在构建17*17响应的时候也有一些考量，中间响应普遍较大，周边响应普遍较小，所以在生成17*17的时候中间7*7区域单独生成一个较大的响应区域，然后也就该响应区域是否该加上一个cosine window也做了对比实验。
实验记录
样本模拟，图1是原始的17*17的响应图。图2是7*7的较大响应区域（显示问题，2中的值实际上都比1中的大，详细的可见代码），图3是7*7的cosine window，图4是原始7*7响应图经过cosine window之后的图，图5是最终的17*17的响应模拟图，符合中间响应大特点，当然这只是对响应图的一种模拟，和真实的情况可能会有些差异。
实验结果，ABC分别设置为BICUBIC或BILINEAR的对比结果，第四列是进行100组上采样操作，两个方法（A+B和C）最终最大响应值位置不同的数量，"/"左右分别为不加cosine window和加上它的结果。第五列是指这两种方法得到的最大响应位置的相对偏移量。结果表明：同是BICUBIC或BILINEAR，分步上采样时，BILINEAR完全一样，BICUBIC则存在偏差；两步中都有BICUBIC和BILINEAR时，和只有BICUBIC的相差更大。对于这样的一种响应图，分析上采样方式，也能得到一个定性的结果，这里也只是为了给一个定量的结果。当然还有些其他的组合这里没给，代码中设置即可。
