论文
High Performance Visual Tracking with Siamese Region Proposal Network
本文主要提出Siamese region Proposal Network（Siamese-RPN），包含siamese子网络用于特征提取，以及候选区域生成网络(region proposal subnetwork)用于分类和回归。
一、
先了解siamese网络
—
Fully-Convolutional Siamese Networks for Object Tracking
网络结构为上下两分支，共享卷积层参数（相同的特征提取网络φ，孪生网络含义）。模板分支z用来提取第一帧特征，检测分支x在当前帧上根据上一帧结果裁剪出search region。然后将模板z提取的特征图作为卷积核在x的特征上进行卷积操作，即图中的*部分，最终得到一个分数图score map，表示搜索区域各个位置与模板z之间的相似度，相应最大的点即为目标位置。
二、Siamese-RPN框架
1、Siamese feature extraction subnetwork
类似于SiameseFC网络，采用无填充的全卷积网络，上分支输入为模板帧，即第一帧的bounding box。下分支是待检测的帧，即当前帧。两条分支经过同一个CNN之后得到了两个feature map（ϕ(z)和ϕ(x)），该CNN使用除去了conv2和conv4两层AlexNet。
2、Region proposal subnetwork
受Faster R-CNN中的RPN的启发，分为分类分支和回归分支。在两个分支上分别对模板帧和检测帧的特征做卷积运算，在x上使用经过处理的z作为卷积核进行卷积操作。
损失函数即RPN中的损失函数，由Lcls和Lreg两部分组成，Lcls使用交叉熵损失，Lreg使用smooth L1 loss。
3、训练
成对给网络feed图片，由于跟踪前后连续帧的目标形变较小，anchor采用一种尺度，5种不同的长宽比[0.33, 0.5, 1, 2, 3]。
正负样本的选取，Iou>0.6为正样本和Iou<0.3为负样本。
4、 Tracking as one-shot detection
希望找到使预测函数ψ（x; W）的平均损失L最小的参数W。而one-shot学习目的在从感兴趣类别的单个模板z中学习W。 discriminative one-shot learning的挑战是找到一种将类别信息整合到学习者中的机制，即learning to learn。为解决这一挑战，文中提出了一种从单个模板z学习预测变量参数W的方法。元学习过程。
one-shot detection：借用了meta learning的思想，预训练模版分支，通过模版帧学习到检测分支RPN的网络参数。具体来说，模板分支使用第一帧来预测检测分支上区域提出子网核的权重（灰色部分）。 然后剪掉模板分支，只保留检测分支，因此将框架修改为局部检测网络。