基于深度学习约束的逆稀疏目标跟踪
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 传统目标跟踪算法研究现状 | 第11-13页 |
| 1.2.2 基于深度学习的目标跟踪研究现状 | 第13-15页 |
| 1.3 本文研究内容和组织结构 | 第15-18页 |
| 第二章 相关理论和技术 | 第18-26页 |
| 2.1 粒子滤波跟踪算法 | 第18-23页 |
| 2.1.1 贝叶斯理论 | 第18-20页 |
| 2.1.2 重采样方法 | 第20-22页 |
| 2.1.3 粒子滤波算法框架 | 第22页 |
| 2.1.4 有效粒子数的控制 | 第22-23页 |
| 2.2 稀疏理论基础 | 第23-26页 |
| 2.2.1 稀疏理论的数学模型与求解 | 第23-24页 |
| 2.2.2 稀疏表示在目标跟踪中的应用 | 第24-26页 |
| 第三章 基于卷积神经网络的特征提取 | 第26-37页 |
| 3.1 引言 | 第26页 |
| 3.2 深度学习基础理论 | 第26-30页 |
| 3.2.1 人工神经网络 | 第26-29页 |
| 3.2.2 反向传播算法 | 第29-30页 |
| 3.3 卷积神经网络 | 第30-34页 |
| 3.3.1 卷积神经网络基本原理 | 第30-33页 |
| 3.3.2 卷积神经网络的基本结构 | 第33页 |
| 3.3.3 卷积神经网络的特点 | 第33-34页 |
| 3.4 基于卷积神经网络的特征提取 | 第34-36页 |
| 3.4.1 卷积神经网络结构 | 第34页 |
| 3.4.2 训练集 | 第34-35页 |
| 3.4.3 网络模型的训练技巧 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于卷积神经网络的逆稀疏表观建模 | 第37-43页 |
| 4.1 引言 | 第37页 |
| 4.2 分类卷积神经网络模型在线微调 | 第37页 |
| 4.2.1 网络结构和参数 | 第37页 |
| 4.2.2 训练集在线采样 | 第37页 |
| 4.3 逆稀疏目标表示 | 第37-39页 |
| 4.3.1 逆稀疏目标表示数学模型 | 第38-39页 |
| 4.3.2 L2约束的逆稀疏优化求解 | 第39页 |
| 4.4 基于卷积神经网络的逆稀疏表观建模 | 第39-41页 |
| 4.5 联合模型 | 第41-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第五章 基于深度学习约束的逆稀疏目标跟踪算法 | 第43-55页 |
| 5.1 基于深度学习约束的逆稀疏目标跟踪算法 | 第43-45页 |
| 5.1.1 初始化和样本准备 | 第44页 |
| 5.1.2 目标运动模型 | 第44-45页 |
| 5.1.3 目标观测模型 | 第45页 |
| 5.1.4 目标模板与分类模型更新 | 第45页 |
| 5.2 实验结果比较与分析 | 第45-53页 |
| 5.2.1 实验环境与参数配置 | 第45-46页 |
| 5.2.2 目标跟踪评价标准 | 第46-48页 |
| 5.2.3 定性分析 | 第48-50页 |
| 5.2.4 定量分析 | 第50-53页 |
| 5.3 基于深度学习约束的逆稀疏目标跟踪的应用 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 本文工作总结 | 第55-56页 |
| 6.2 未来展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间学术成果及奖励 | 第62-63页 |
| 致谢 | 第63页 |
