| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第19-43页 |
| 1.1 研究背景与意义 | 第19-22页 |
| 1.1.1 智能视频监控 | 第20-21页 |
| 1.1.2 自动驾驶 | 第21-22页 |
| 1.1.3 智能机器人 | 第22页 |
| 1.1.4 智能人机交互 | 第22页 |
| 1.1.5 体育视频分析 | 第22页 |
| 1.2 国内外研究现状 | 第22-39页 |
| 1.2.1 单目标跟踪 | 第23-26页 |
| 1.2.2 多目标跟踪 | 第26-39页 |
| 1.3 本文主要工作 | 第39-41页 |
| 1.4 本文组织结构 | 第41-43页 |
| 第2章 相关基础知识 | 第43-51页 |
| 2.1 深度学习基础 | 第43-45页 |
| 2.1.1 卷积神经网络 | 第43-45页 |
| 2.1.2 网络训练 | 第45页 |
| 2.2 视频多目标跟踪数据集与评价指标 | 第45-51页 |
| 2.2.1 常用数据集 | 第45-48页 |
| 2.2.2 常用评价指标 | 第48-51页 |
| 第3章 基于抗遮挡单目标跟踪模型的在线多目标跟踪 | 第51-71页 |
| 3.1 引言 | 第51-52页 |
| 3.2 抗遮挡目标跟踪模型 | 第52-61页 |
| 3.2.1 注意力机制 | 第52-56页 |
| 3.2.2 对抗学习 | 第56-61页 |
| 3.3 基于抗遮挡单目标跟踪模型的在线多目标跟踪算法 | 第61-64页 |
| 3.3.1 动态卷积神经网络框架 | 第61-63页 |
| 3.3.2 目标管理策略 | 第63页 |
| 3.3.3 在线多目标跟踪算法流程 | 第63-64页 |
| 3.4 实验 | 第64-69页 |
| 3.4.1 实验设置 | 第64页 |
| 3.4.2 实验结果与分析 | 第64-69页 |
| 3.5 本章小结 | 第69-71页 |
| 第4章 融合单目标跟踪与数据关联的在线多目标跟踪 | 第71-89页 |
| 4.1 引言 | 第71-72页 |
| 4.2 融合数据关联跟踪与单目标跟踪的统一网络框架 | 第72-77页 |
| 4.2.1 特征卷积网络 | 第73-74页 |
| 4.2.2 数据关联分支 | 第74-75页 |
| 4.2.3 高效两阶段单目标跟踪分支 | 第75-77页 |
| 4.3 离线训练 | 第77-79页 |
| 4.3.1 数据关联分支与单目标跟踪分支之间的交互 | 第77-79页 |
| 4.3.2 多任务学习损失 | 第79页 |
| 4.4 在线跟踪 | 第79-82页 |
| 4.4.1 目标管理策略 | 第79-80页 |
| 4.4.2 在线跟踪算法流程 | 第80-82页 |
| 4.5 实验 | 第82-87页 |
| 4.5.1 实验设置 | 第82页 |
| 4.5.2 实验结果 | 第82-87页 |
| 4.6 本章小结 | 第87-89页 |
| 第5章 联合在线多目标检测与跟踪 | 第89-101页 |
| 5.1 引言 | 第89-90页 |
| 5.2 整体网络框架 | 第90-92页 |
| 5.2.1 特征卷积网络 | 第90-91页 |
| 5.2.2 目标检测模块 | 第91-92页 |
| 5.2.3 多目标跟踪模块 | 第92页 |
| 5.3 离线训练 | 第92-94页 |
| 5.3.1 检测器稳定性损失 | 第92-93页 |
| 5.3.2 训练过程 | 第93-94页 |
| 5.4 在线跟踪 | 第94-96页 |
| 5.4.1 算法流程 | 第94-95页 |
| 5.4.2 检测结果修正 | 第95页 |
| 5.4.3 检测器在线微调 | 第95-96页 |
| 5.4.4 目标管理策略 | 第96页 |
| 5.5 实验 | 第96-99页 |
| 5.5.1 实验设置 | 第96-97页 |
| 5.5.2 评价指标 | 第97页 |
| 5.5.3 实验结果与分析 | 第97-99页 |
| 5.6 本章小结 | 第99-101页 |
| 第6章 总结与展望 | 第101-105页 |
| 6.1 论文总结 | 第101-102页 |
| 6.2 研究展望 | 第102-105页 |
| 参考文献 | 第105-119页 |
| 致谢 | 第119-121页 |
| 在读期间发表的学术论文与取得的研究成果 | 第121-122页 |
