基于深度学习的复杂背景下船舶跟踪方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文主要结构安排 | 第13-15页 |
| 第二章 目标跟踪的相关技术 | 第15-32页 |
| 2.1 引言 | 第15页 |
| 2.2 特征提取的方法 | 第15-18页 |
| 2.2.1 灰度特征 | 第16页 |
| 2.2.2 颜色特征 | 第16页 |
| 2.2.3 边缘特征 | 第16-17页 |
| 2.2.4 纹理特征 | 第17页 |
| 2.2.5 梯度特征 | 第17页 |
| 2.2.6 结构性特征 | 第17-18页 |
| 2.3 目标跟踪的方法 | 第18-28页 |
| 2.3.1 基于检测跟踪的框架 | 第18-22页 |
| 2.3.2 基于深度学习的跟踪框架 | 第22-25页 |
| 2.3.3 跟踪模型的建立 | 第25-28页 |
| 2.4 数据关联 | 第28-29页 |
| 2.4.1 基于能量最小化的数据关联方法 | 第28页 |
| 2.4.2 基于概率的数据关联方法 | 第28-29页 |
| 2.5 主要研究难点及发展趋势 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于卷积神经网络的特征提取 | 第32-45页 |
| 3.1 人工神经网络 | 第32-36页 |
| 3.1.1 神经元 | 第32-33页 |
| 3.1.2 神经网络 | 第33-34页 |
| 3.1.3 单层感知器 | 第34-35页 |
| 3.1.4 多层感知器 | 第35-36页 |
| 3.2 卷积神经网络 | 第36-40页 |
| 3.2.1 前向传播 | 第37页 |
| 3.2.2 反向传播 | 第37-39页 |
| 3.2.3 卷积层 | 第39页 |
| 3.2.4 权值共享 | 第39-40页 |
| 3.2.5 降采样层 | 第40页 |
| 3.3 基于卷积神经网络的训练结构特征实验 | 第40-44页 |
| 3.3.1 卷积神经网络结构 | 第41页 |
| 3.3.2 训练数据集 | 第41-42页 |
| 3.3.3 实验结果分析 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于卷积神经网络的目标跟踪方法 | 第45-53页 |
| 4.1 粒子滤波框架 | 第45-46页 |
| 4.2 卷积神经网络结构 | 第46-47页 |
| 4.3 基于卷积神经网络和粒子滤波框架的跟踪方法 | 第47-48页 |
| 4.4 实验设计与结果分析 | 第48-52页 |
| 4.4.1 离线训练集 | 第49-50页 |
| 4.4.2 跟踪算法参数设置以及实验环境 | 第50-51页 |
| 4.4.3 实验结果与分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 论文工作总结 | 第53页 |
| 5.2 下一步展望 | 第53-55页 |
| 参考文献 | 第55-62页 |
| 致谢 | 第62-64页 |
| 附录 (攻读硕士学位期间发表和录用的学术论文) | 第64页 |
