基于神经网络学习模型的视频目标跟踪研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究历史和现状 | 第10-12页 |
| 1.3 面临的挑战 | 第12页 |
| 1.4 课题来源 | 第12页 |
| 1.5 本文研究内容 | 第12-13页 |
| 1.6 本文的结构 | 第13-15页 |
| 第2章 基于判别式模型的目标跟踪方法概述 | 第15-25页 |
| 2.1 基于相关滤波的目标跟踪方法 | 第15-21页 |
| 2.1.1 传统的训练相关滤波器的方法 | 第17-18页 |
| 2.1.2 适应性相关滤波的训练方法 | 第18页 |
| 2.1.3 核相关滤波器的训练方法 | 第18-20页 |
| 2.1.4 相关滤波器的更新 | 第20-21页 |
| 2.2 基于深度学习模型的目标跟踪方法 | 第21-23页 |
| 2.2.1 目标候选块的提取 | 第21-22页 |
| 2.2.2 目标候选块的特征提取和分类 | 第22-23页 |
| 2.2.3 网络模型的训练和更新 | 第23页 |
| 2.3 本章小结 | 第23-25页 |
| 第3章 基于卷积神经网络的目标跟踪技术研究 | 第25-45页 |
| 3.1 基于卷积神经网络模型的目标跟踪框架 | 第25-30页 |
| 3.1.1 目标候选块的提取 | 第26-28页 |
| 3.1.2 特征学习 | 第28-30页 |
| 3.2 实现细节 | 第30-34页 |
| 3.2.1 模型的训练 | 第31-32页 |
| 3.2.2 模型的测试 | 第32-33页 |
| 3.2.3 网络模型的更新 | 第33页 |
| 3.2.4 难分样本采集 | 第33-34页 |
| 3.2.5 跟踪结果的后处理 | 第34页 |
| 3.3 实验分析 | 第34-42页 |
| 3.3.1 数据集介绍 | 第34-37页 |
| 3.3.2 评价标准 | 第37页 |
| 3.3.3 实验结果 | 第37-42页 |
| 3.4 本章小结 | 第42-45页 |
| 第4章 融合多层卷积特征的目标跟踪技术研究 | 第45-59页 |
| 4.1 融合多层卷积特征的目标跟踪方法 | 第45-49页 |
| 4.1.1 网络结构 | 第46-47页 |
| 4.1.2 融合多层特征 | 第47-49页 |
| 4.1.3 学习算法 | 第49页 |
| 4.2 网络特征可视化分析 | 第49-53页 |
| 4.2.1 卷积核可视化 | 第49-50页 |
| 4.2.2 卷积特征可视化 | 第50-53页 |
| 4.3 实验分析 | 第53-57页 |
| 4.4 本章小结 | 第57-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间的研究成果 | 第67-69页 |
| 致谢 | 第69页 |
