SINT算法是Siamese跟踪的开山之作，首次开创性的将目标跟踪问题转化为一个patch块匹配问题，并用神经网络来实现。论文整体模型图下图所示：
网络结构由两部分组成，孪生网络分别处理两个输入，用AlexNet或VGGNet进行特征提取，其中为了可以更准确地定位，该网络在设计时几乎不用最大池化层，因为最大池化只会保留邻域中最大的数，会极大降低空间分辨率，它的一个最大优点是引入了局部形变的不变性。在追踪的过程中，对于下一帧要提取上百个候选区域，这样做会由重叠问题，所以作者引入了fast rcnn中的region pool layer对重叠区域进行快速处理，网络首先用前几个层处理整个图像，然后区域池层将特征映射从特定区域转换为固定长度的表示。在训练过程中，采用视频对进行训练，对于上图中的Query stream，随机地挑选一帧采用其标注好的bbox，对于Search stream，随机挑选另外一帧，不需要和Query的帧相邻，Search stream中的候选区域和bbox重叠区域大于一定值是正，反之是负的。损失函数公式如下：
其中，D是两个分支特征的欧式距离，y表示两个特征是否属于一类。
在跟踪的过程中，已知第一帧的bbox，对于之后的某一帧，将候选区域输入到Search stream，选出损失最大的候选区域。
候选区域的选择采用半径采样策略，根据前一帧的结果来选候选区域。
实验结果如下图所示。
