Abstract
1、[现有方法的方式，存在的问题 不足和后果]
【孪生网络方法】： 解决目标跟踪问题，通过 提取当前帧特征，用于从下一帧中定位。
【孪生网络方法提取的template】：先前frame提取的 accumulated template的线性组合。
【导致的后果】 随着时间 指数衰减 resulting in an exponential decay of information over time .
【？】linerly combined：
2、[指出现有方法缺点，引入本文方法，本文方法的优点]
While such an approach to updating has led to improved results, its simplicity limits the potential gain likely to be obtained by learning to update.
- 尽管这种更新方法可以改善结果，但其简单性限制了通过学习更新可能获得的潜在收益。
We use a convolutional neural network, called UpdateNet, which given the initial template, the accumu- lated template and the template of the current frame aims to estimate the optimal template for the next frame.
- 我们使用一个称为UpdateNet的卷积神经网络，该网络给出了初始模板，累积模板和当前帧的模板，目的是估计下一帧的最佳模板。
【UpdateNet 】：卷积网络，提供 initial template\ accumulated templated \ current frame template
【UpdateNet 优点 】： 紧凑compact , 很容易集成到现有Siamese trackers 中。
3、[实验验证，benchmark的选取，证明结果，提升的效果]
We demonstrate the generality
of the proposed approach by applying it to two Siamese
trackers, SiamFC and DaSiamRPN. Extensive experiments
on VOT2016, VOT2018, LaSOT, and TrackingNet datasets
demonstrate that our UpdateNet effectively predicts the new
target template, outperforming the standard linear update.
- 我们通过将其应用于两个Siamese跟踪器SiamFC和DaSiamRPN来证明该方法的一般性。 在VOT2016，VOT2018，LaSOT和TrackingNet数据集上进行的大量实验表明，我们的UpdateNet有效地预测了新的目标模板，优于标准的线性更新。
【对比跟踪器】SiamFC & DaSiamRPN
【数据集】 VOT2016 、VOT2018 LaSOT 、TrackingNet 。
在DaSiamRPN ，提升了3.9%
Introduction
1、介绍本论文研究的问题的总背景，方法，难点
Generic visual object tracking is the task of predicting
the location of a target object in every frame of a video, given its initial location.
- 通用视觉对象跟踪是在 给定视频对象的 初始位置的情况下 预测目标对象在视频每一帧中的位置的任务。
- 难点 ： 外观改变、遮挡、环境模糊、运动
2、介绍本领域、本文主要参考的、 现有解决方法（原理、表现、相对优势）
两种流行的跟踪方法方向：
- Siamese tracking methods
- tracking-by-detection methods
基本原理：
- 匹配外观表达
- 需要在大规模数据集上离线训练
- 能比较好的表达
3、分析现有解决方法实现方式，关键细节，及其缺陷，阐述现有解决该缺陷的工作，指出现有工作不完善之处，阐述其潜在的恶劣后果。
原始方法：template fixed
导致后果： 外观变换太快，跟踪失败
待解决的问题： 适应外观变换
现有解决办法： 简单线性更新策略
尚不完善：假设外观变化率不变，实际上变化率不同
结论： 因此，简单的线性更新通常不足以应对不断变化的更新需求，也不足以概括所有可能遇到的情况。
此外，这种更新在所有空间维度上也是不变的，这不允许局部更新。这在局部遮挡等情况下尤其有害，因为只有模板的某个部分需要更新。
缺点：
- 简单的线性更新策略，在局部遮挡的情景下及其有害，因为只需要模板的某个部分更新。
- 过分依赖初始template，容易因为发生漂移，难以从跟踪失败中恢复
4、引出本文方法
本文方法： 使得目标模板自己学习更新
利用了：target + image 信息，因此可适应特定场景的外观变换。
方法实体组成： 用于更新的模板（template） :
1、 the initial ground-truth template
2、the accumulated template from all previous frames
3、the feature template at predicted object location in the current frame
1、初始GT
2、累计template
3、当前帧中 预测对象 位置处的模板
UpdateNet :
- CNN 、
- 紧凑model 、可以结合到任何Siamese tracker 中，提高其在线更新能力，并保持其高效的特性
难点：
- 学习细微之处是困难的
5、描述实验结果
1、对比对象： SiamFC + DaSiamRPN (当时最佳)
2、数据集： 性能比较
3、LaSOT
4、小结，可以用！有效果！