목표 물체의 외형 변화를 효과적으로 학습하여 복잡한 배경의 간섭을 제거하면서도 실시간 반응을 유지하는 것은 시각적 객체 추적에서 핵심적인 과제이다. 최근, 사임즈 네트워크(Siamese networks)는 정확도와 실시간 속도 사이의 균형을 잘 이룬 매칭 기반 추적기로서 큰 잠재력을 보여주고 있다. 그러나 객체의 시간적 변화 및 촬영 조건 변화에 대한 내성을 고려할 때, 분류 및 업데이트 기반 추적기와 비교해 여전히 큰 격차를 보이고 있다. 본 논문에서는 이 문제를 해결하기 위해, 이전 프레임들로부터 목표물의 외형 변화와 배경 억제를 효과적으로 온라인 학습할 수 있는 빠른 변환 학습 모델을 기반으로 동적 사임즈 네트워크(dynamic Siamese network)를 제안한다. 또한 다층의 깊은 특징을 활용하여 네트워크 출력을 적응적으로 통합하는 원소별 다층 융합(elementwise multi-layer fusion) 기법을 제시한다. 최신 추적기들과 달리, 본 방법은 SiamFC 및 VGG와 같이 일반적으로 또는 특수하게 학습된 임의의 적합한 특징을 사용할 수 있다. 더욱 중요한 점은 제안된 동적 사임즈 네트워크가 라벨링된 동영상 시퀀스 위에서 전체적으로 직접 공동 학습될 수 있다는 점이며, 이로 인해 움직이는 객체가 지닌 풍부한 공간-시간 정보를 최대한 활용할 수 있다. 그 결과, 제안된 방법은 OTB-2013 및 VOT-2015 벤치마크에서 최고 수준의 성능을 달성하였으며, 기존 최고 수준의 경쟁자들에 비해 더욱 뛰어난 정확도와 실시간 반응성의 균형을 보였다.