论文链接：PDF
总结：利用梯度信息去更新siamese tracker中的模板，使用了一种新的训练方式，使得网络更关注于梯度信息，防止过拟合
图片的梯度信息可以反映目标的变化（类似DAT，DAT中有理论解释）
网络框架：
可以看到，网络主要有两个分支，下面的一个分支用来提取search region的特征，上面一路提取target的特征，并进行模板更新。
给定一个图像对：， 希望对模板进行优化，得到优化的模板
， 能够更好的从搜索区域中找出目标。首先，获取初始的模板特征：
其中， f2()是两层卷积层，U1是框架图中所示的一个子网络，是U1的参数
计算得分图：
计算loss:
Y是标签
将loss对 求导，将其加到
上去，更新目标的特征：
得到新的模板，并计算得分图：
loss:
另外，作者认为现有的优化方法，不能很好的优化梯度，而是更关注于目标特征的相似性。因此，使用了一种新的模板生成的方式，去训练优化网络。
左边的是一般的做法，右边的是本文使用的模板生成的方法，使用一个模板在来自不同视频的搜索域上搜索目标，使得网络更关注于梯度，而不是外观特征，并能防止过拟合。