好吧，在图片中，我们在右侧有展开或展开的 RNN。连体网络是在据说“展开两个时间步长”时形成的。所以，参加 RNN 的两次第一次迭代，是的，你有一种连体网络。

取自图片来源：

与在每一层使用不同参数的传统深度神经网络不同，RNN 在所有步骤中共享相同的参数（上面的 U、V、W）。这反映了我们在每一步执行相同的任务，只是输入不同的事实。这大大减少了我们需要学习的参数总数。

用于单目标跟踪的连体网络听起来很熟悉：我们获取两个信号（图像和被跟踪对象），通过相同的路径驱动它并进行一些数学运算以获得结果。正是 RNN 对时间分离值所做的事情！

为了证明相似性，取自一个很好地解释了连体网络的网站：

旁注： 那时我不知道它们在现实世界中的关系有多密切（暹罗网络无论如何都可能是 RNN，反之亦然），但据推测是这样，因为比较是由研究人员这么说的。至少在图表层面上不会有任何问题。

使用 Siamese 网络的单个对象跟踪是一种检测和比较方法，其中检测到感兴趣的对象，并且要跟踪的对象通过下一个连续帧通过 siam 网络以获得它们之间的相关性，如果您查看相关参考，它是一个基于相关性的跟踪，即。在一帧中检测到的对象与在下一帧中检测到的对象之间的相关性，您可以将其想象为跨 2 个时间步长考虑的样本或展开到 2 个时间步长的 RNN