本文贡献

  本文首先指出Siam类算法存在的三个问题：
  1.常见的Siam类跟踪方法只能区分目标和无语义信息的背景，当有语义的物体是背景时，也就是有干扰物（distractor）时，表现不是很好。
  2.大部分Siam类跟踪器在跟踪阶段不能更新模型，训练好的模型对不同特定目标都是一样的。这样带来了高速度，也相应牺牲了精度。
  3.在长时跟踪的应用上，Siam类跟踪器不能很好的应对全遮挡、目标出画面等挑战。
  然后文章提出了两种数据增强方式：
  1.作者引入现有的检测数据集来充实正样本数据，将COCO 和 ImageNet Det 引入了训练，生成可用于训练的图片对，极大地丰富了训练集中的类别信息。
  2.构造有语义的负样本，充实了困难负样本数据，让网络学习判别能力。
  还提出了一个local-to-global的策略来进行长时间跟踪，通过检测分数，来判断物体是否移出图片

本文工作

  作者首先分析传统Siamese网络的特点和缺陷，以几种Siamese网络对ROI提取出的特征图为例：

  发现SiamFC 和SiamRPN除了目标得分较高，其他类似的物体得分也很高。
  论文提到无语义信息的目标数量要远远大于有语义信息的目标和数量。在训练过程中，训练的图片对中，大部分区域都是没有语义信息的背景，有语义信息的很少，因此，网络只学习了区分背景和前景的能力。
  然后提出本文的三个创新点：
  1）在训练阶段，作者引入现有的检测数据集来充实正样本数据，以此来提升跟踪器的泛化能力；接着，作者又充实了困难负样本数据，以此来提升跟踪器的判别能力。如下图：

  先通过多种类的图片对来增加模型的生成能力。作者扩展了训练用的数据集，除了使用VID以及YouTube-BB之外（物体种类较少，分别只包含20和30个类），还通过数据增强的方式，使用ImageNet DET和COCO作为训练集，极大的增加了物体的种类。然后通过包含语义信息的负图片对来增加模型的判别能力。作者在训练的过程中，有意的使用相同种类但不是目标的负图片对来训练网络，使得网络可以对同种类的不同物体进行有效的区分，增加了鲁棒性。
  2）提出了一个distractor-aware模块，与传统对比如下：

  3）文章还提出了一个local-to-global的策略来进行长时间跟踪，通过检测分数，来判断物体是否移出图片，跟踪结果图如下：

  根据效果可以看出，物体一旦移出图片，得分会急剧降低，此时，算法会扩大裁剪的局部图片，直到找到目标为止。由于DasiameseRPN对于图片中的背景和Distractor都能做出有效区分，所以只有当物体出现时，热度图的响应值才会增加，此时再进行局部搜索。

实验部分

  VOT2016和VOT2017上：

  UVA上：


  在OTB和VOT上：

  以SiamRPN为基线算法，VOT2016的EAO和UAV20L的AUC为评价标准。消融实验如下：

总结

  这篇文章首先是分析出传统Siamese网络所存在的问题，并针对这些问题，提出了Distractor-aware Siamese framework，在训练阶段，作者引入现有的检测数据集来充实正样本数据，以此来提升跟踪器的泛化能力；接着，作者又充实了困难负样本数据，以此来提升跟踪器的判别能力。数据上做了增强后，又为了让一般跟踪模型应用于特地跟踪视频域，提出了Distractor-aware module，最后引入local-to-global策略，使得模型在长期跟踪也能取得很好的精度。不过整体速度仍然远远不能达到实时效果。