卢金仪， 唐维伟， 徐文辉， 颜露新， 钟 胜， 邹 旭

(1.华中科技大学 人工智能与自动化学院，湖北 武汉 430074；2.华中科技大学 多谱信息处理技术国家级重点实验室，湖北 武汉 430074)

随着人工智能及计算机视觉[1]等技术的发展，卷积神经网络被逐渐应用在目标跟踪任务中。目标跟踪的主要流程包括候选预测、特征提取、模板表征和建模求解。在建模求解的步骤中，按照所采取的建模技术将目标跟踪算法大致分为两大类：生成式方法和判别式方法[2]。传统的判别式模型在特征提取步骤中，主要提取的是人工定义并构建的特征，常用的人工定义特征包括：HOG特征、SIFT特征、Haar特征等。在统计建模步骤中，使用支持向量机、Boosting算法等常见分类器对目标和背景两者进行区分，得到跟踪结果。得益于卷积神经网络特征的强大表征能力，传统人工定义特征逐渐替换为卷积特征，基于卷积神经网络的跟踪框架的一个重要方向便是孪生网络跟踪框架。其中全卷积网络 Siamese-FC由Bertinetto等[3]提出，这种端到端网络参数量小，在前向推理时有较快的跟踪效果，同时网络可以将一部分工作离线解决，在将算法部署于嵌入式设备时，只需要计算搜索区域的前向推理部分，减少了在线跟踪的计算量，因此轻量化的孪生网络在嵌入式部署时有快速和低计算量的优势。

卷积网络强大的特征提取和泛化能力是以大参数量以及计算量为代价的，如常用的网络框架AlexNet[4]的计算量达到了727MFLOP，VGG-16[5]的计算量达到了16GFLOP。……