Siamese-Netzwerkbasierte Tracker formulieren die Verfolgung als Faltungsmerkmalskreuzkorrelation zwischen Zielvorlage und Suchbereich. Allerdings besteht bei Siamese-Trackern im Vergleich zu den besten aktuellen Algorithmen noch ein Genauigkeitsunterschied, und sie können die Merkmale tiefer Netzwerke wie ResNet-50 oder tiefere nicht ausnutzen. In dieser Arbeit beweisen wir, dass der Kerngrund für diesen Unterschied in der fehlenden strengen Translationsinvarianz liegt. Durch umfassende theoretische Analysen und experimentelle Validierungen brechen wir diese Einschränkung mit einer einfachen, aber effektiven räumlich bewussten Abtaststrategie auf und schulen erfolgreich einen von ResNet angetriebenen Siamese-Tracker mit erheblichen Leistungssteigerungen. Darüber hinaus schlagen wir eine neue Modellarchitektur vor, die tiefgangige und schichtweise Aggregationen durchführt. Dies verbessert die Genauigkeit weiter und reduziert gleichzeitig die Modellgröße. Wir führen umfangreiche Abschätzungstudien durch, um die Effektivität des vorgeschlagenen Trackers zu demonstrieren, der aktuell die besten Ergebnisse auf vier großen Tracking-Benchmarks erzielt, einschließlich OTB2015, VOT2018, UAV123 und LaSOT. Unser Modell wird veröffentlicht, um weitere Forschungen zu diesem Problem zu fördern.