| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-13页 |
| 1.2.1 深度学习研究进展 | 第10-11页 |
| 1.2.2 基于深度学习的目标跟踪研究进展 | 第11-13页 |
| 1.3 本文主要内容及章节安排 | 第13-15页 |
| 2 深度学习模型 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 深度学习常见模型 | 第15-23页 |
| 2.2.1 深度自编码器 | 第15-19页 |
| 2.2.2 深度置信网络 | 第19-21页 |
| 2.2.3 卷积神经网络 | 第21-23页 |
| 2.3 深度学习常见模型仿真实例 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于k稀疏深度降噪自编码器的目标跟踪 | 第25-41页 |
| 3.1 引言 | 第25页 |
| 3.2 基于粒子滤波的目标跟踪原理 | 第25-27页 |
| 3.2.1 目标跟踪问题描述 | 第25-26页 |
| 3.2.2 贝叶斯估计原理简介 | 第26-27页 |
| 3.2.3 基于粒子滤波的目标跟踪算法流程 | 第27页 |
| 3.3 基于k稀疏深度降噪自编码器的目标跟踪原理 | 第27-31页 |
| 3.3.1 离线训练 | 第28页 |
| 3.3.2 分类神经网络构建 | 第28-30页 |
| 3.3.3 在线跟踪 | 第30-31页 |
| 3.3.4 基于k稀疏深度降噪自编码器的目标跟踪算法实现步骤 | 第31页 |
| 3.4 目标跟踪性能评价准则 | 第31-33页 |
| 3.5 目标跟踪评测数据集 | 第33-34页 |
| 3.6 常用深度学习开发工具 | 第34-35页 |
| 3.7 实验与分析 | 第35-40页 |
| 3.7.1 参数设置 | 第35页 |
| 3.7.2 定量评估 | 第35-39页 |
| 3.7.3 定性评估 | 第39-40页 |
| 3.8 本章小结 | 第40-41页 |
| 4 基于多深度自编码器融合的目标跟踪 | 第41-51页 |
| 4.1 引言 | 第41页 |
| 4.2 基于多深度自编码器融合的目标跟踪原理 | 第41-44页 |
| 4.2.1 通用特征表示 | 第41-42页 |
| 4.2.2 分类神经网络融合 | 第42-43页 |
| 4.2.3 基于多深度自编码器融合的目标跟踪算法实现步骤 | 第43-44页 |
| 4.3 实验与分析 | 第44-50页 |
| 4.3.1 参数设置 | 第44页 |
| 4.3.2 定量评估 | 第44-49页 |
| 4.3.3 定性评估 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 基于多深度自编码器自适应融合的目标跟踪 | 第51-57页 |
| 5.1 引言 | 第51页 |
| 5.2 基于多深度自编码器自适应融合的目标跟踪原理 | 第51-55页 |
| 5.2.1 自适应权值确定算法 | 第52-54页 |
| 5.2.2 基于多深度自编码器自适应融合的目标跟踪算法实现步骤 | 第54-55页 |
| 5.3 实验与分析 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 基于卷积神经网络的目标跟踪 | 第57-63页 |
| 6.1 引言 | 第57页 |
| 6.2 基于卷积神经网络的目标跟踪原理 | 第57-61页 |
| 6.2.1 卷积神经网络设计 | 第58-60页 |
| 6.2.2 卷积神经网络训练 | 第60-61页 |
| 6.2.3 基于卷积神经网络的目标跟踪算法实现步骤 | 第61页 |
| 6.3 实验与分析 | 第61-62页 |
| 6.4 本章小结 | 第62-63页 |
| 7 总结与展望 | 第63-65页 |
| 7.1 总结 | 第63-64页 |
| 7.2 展望 | 第64-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 在校学习期间发表的论文 | 第73页 |
