可以通过学习顺序跟踪目标外观的模型来解决对象跟踪问题。 因此，鲁棒的外观表示是视觉跟踪中的关键步骤。 最近，深度卷积网络通过利用强大的高级功能在视觉跟踪方面表现出了非凡的能力。 为了获得这些高级功能，可在深度卷积网络中交替执行卷积和池化操作。 然而，这些操作导致空间分辨率低的特征图，这降低了跟踪中的定位精度。 虽然低层特征具有足够的空间分辨率，但它们的表示能力不足。 为了缓解这个问题，我们在视觉跟踪中利用了反卷积网络。 该反卷积网络用作可学习的上采样层，该层将低分辨率的高级特征图作为输入，并输出