| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.0 研究背景和意义 | 第8-10页 |
| 1.1 国内外研究现状 | 第10-12页 |
| 1.2 主要研究内容和结构安排 | 第12-14页 |
| 第2章 基于深度学习的目标跟踪 | 第14-25页 |
| 2.1 深度学习相关理论 | 第14-17页 |
| 2.1.1 人工神经网络 | 第14-15页 |
| 2.1.2 卷积神经网络 | 第15-16页 |
| 2.1.3 深度学习相关任务 | 第16-17页 |
| 2.2 基于CNN特征和相关滤波的目标跟踪 | 第17-23页 |
| 2.2.1 相关滤波简介 | 第18-19页 |
| 2.2.2 C-COT | 第19-21页 |
| 2.2.3 ECO | 第21-23页 |
| 2.3 基于端到端神经网络的目标跟踪 | 第23-25页 |
| 2.3.1 MDNet | 第23-24页 |
| 2.3.2 GOTURN | 第24-25页 |
| 第3章 引入再检测机制的孪生神经网络目标跟踪 | 第25-44页 |
| 3.1 基于孪生网络的目标跟踪算法 | 第26-30页 |
| 3.1.1 SiamFC | 第27-28页 |
| 3.1.2 SINT | 第28-30页 |
| 3.2 再检测机制 | 第30-31页 |
| 3.3 模板构建与更新 | 第31-32页 |
| 3.4 实验结果与分析 | 第32-42页 |
| 3.4.1 整体性能评估 | 第33-34页 |
| 3.4.2 基于属性的性能分析 | 第34-36页 |
| 3.4.3 定性比较 | 第36-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 基于ResNet和多层特征融合改进的SiamFC | 第44-62页 |
| 4.1 卷积神经网络结构 | 第45-49页 |
| 4.1.1 AlexNet | 第45-46页 |
| 4.1.2 VGGNet | 第46-47页 |
| 4.1.3 ResNet | 第47-49页 |
| 4.2 多层特征融合 | 第49-51页 |
| 4.3 网络搭建和训练 | 第51-54页 |
| 4.3.1 网络结构 | 第51-53页 |
| 4.3.2 网络训练 | 第53-54页 |
| 4.4 实验结果与分析 | 第54-61页 |
| 4.4.1 性能评估 | 第54-58页 |
| 4.4.2 特征融合分析 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 本文总结 | 第62页 |
| 5.2 研究展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 附录 | 第68-76页 |
| 致谢 | 第76-78页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第78页 |