全層畳み込みのSiameseNetであるSiamMaskを提案、物体に着目した局所領域/画像全域から抽出したパッチを入力として、セグメンテーションマスク、bbox、追跡スコアを算出。従来法のECOと比較すると、前景マスクも含めた追跡が可能となった。

VOT-2018 datasetにて最高精度（SOTA）を達成、半教師あり学習により動画セグメンテーションを実施するDAVIS-2016/2017では最速処理を達成。回転ありのbboxについても55FPSで推定。