シメイズ追跡手法は、フレーム内の候補領域とテンプレート間の類似性推定として追跡問題を定式化する。数学的には、類似性関数の成功の鍵となる重要な要素の一つは、並進不変性（translation equivariance）である。並進不変性を有さないアーキテクチャでは、学習過程において位置に関するバイアスが生じるため、特徴空間からターゲットの位置を正確に復元することが困難になる。実世界のシナリオでは、物体は並進だけでなく、回転やスケーリングといった多様な変形を受ける。モデルにそれらを処理する内部機構がなければ、類似性の評価は劣化する可能性がある。本論文では、特にスケーリングに着目し、ターゲットの自然な変動を事前に捉えるために、シメイズネットワークに追加のスケール不変性（scale equivariance）を組み込むことを目的とする。我々は、スケール不変性を持つシメイズ追跡手法の理論を構築し、既存の多数の追跡手法をスケール不変性に変換するためのシンプルな手順（レシピ）を提示する。このレシピに従って構築されたSiamFCのスケール不変性バージョンとして、SE-SiamFCを提案する。OTBおよびVOTベンチマーク、さらに合成データセットであるT-MNISTおよびS-MNIST上で実験を行い、内部的に追加のスケール不変性を持つことが視覚的オブジェクト追跡において有効であることを実証した。