Visual Object Tracking based on Adaptive Siamese and Motion Estimation
本文提出一种利用上一帧目标位置坐标，在本帧中找出目标可能出现的位置的网路--motion estimation network (named MEN) 。在产生候选位置时，本文从两个可能的坐标下手，采用高斯分布产生很多候选框。然后将候选框送进Siamese Network进行相似性对比。
作者选用最近几帧的目标作为匹配对象（Buffer），提升鲁棒性。
本文的网络架构基于SINT 结构，加了可变的buffer，提前训练一个权重卷积神经网络（WCNN）。
本文跟踪框架如下图所示：
整个网络由两部分组成：一个用于提取前几帧目标的特征，一个用于提取当前帧的特征。
为了保留时空信息，作者将conv-3，conv-4，conv-5卷积层的池化层去掉，同时利用不同卷积层的特征进行匹配。