[论文翻译]尺度等变性提升孪生跟踪性能
Siamese跟踪器将跟踪任务转化为模板与帧中候选区域之间的相似性估计。从数学角度看，相似度函数成功的关键要素之一是平移等变性 (translation equivariance)。非平移等变的架构会在训练过程中引入位置偏差，导致难以从特征空间恢复目标位置。在现实场景中，目标除了平移还会经历旋转、缩放等多种变换。除非模型具备内部机制处理这些变换，否则相似度可能会下降。本文聚焦缩放变换，旨在为Siamese网络赋予额外的内置尺度等变性 (scale equivariance)，从而先验地捕捉目标的自然形变。我们建立了尺度等变Siamese跟踪器的理论框架，并给出通用方案使现有跟踪器具备尺度等变性。基于该方案，我们提出了SiamFC的尺度等变改进版本SE-SiamFC。在OTB、VOT基准测试及合成的T-MNIST、S-MNIST数据集上的实验表明，内置的额外尺度等变性对视觉目标跟踪具有显著价值。
