نقدّم Siam R-CNN، وهي معمارية مُشَابِهة (Siamese) للكشف المُعاد، التي تُطلق الطاقة الكاملة لأساليب الكشف ثنائي المرحلة في تتبع الكائنات البصرية. ونُدمج هذه المعمارية مع خوارزمية جديدة تعتمد على "المسارات التتبعية" (tracklet-based dynamic programming)، والتي تستفيد من إعادة الكشف عن نموذج الإطار الأول وتنبؤات الإطارات السابقة، بهدف نمذجة التاريخ الكامل لكل من الكائن المراد تتبعه والكائنات المشتتة المحتملة. هذا يمكّن من اتخاذ قرارات تتبع أكثر دقة، بالإضافة إلى إعادة كشف الكائنات المُتتبعة بعد فترات طويلة من التغطية. وأخيرًا، نقترح استراتيجية جديدة لاستخراج الأمثلة الصعبة (hard example mining) لتحسين مقاومة Siam R-CNN تجاه الكائنات ذات المظهر المشابه. وقد حقق Siam R-CNN أفضل أداء حاليًا على عشرة معايير تتبع، مع نتائج متميزة بشكل خاص في تتبع الأطوار الطويلة. نُقدّم كودنا ونماذجنا متاحة للجميع عبر الرابط: www.vision.rwth-aachen.de/page/siamrcnn.