基于深度卷积神经网络的目标跟踪
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-12页 |
| 1.1 研究意义及背景 | 第6-8页 |
| 1.2 研究现状与技术 | 第8-10页 |
| 1.2.1 特征提取 | 第8页 |
| 1.2.2 运动模型 | 第8-9页 |
| 1.2.3 外观模型 | 第9页 |
| 1.2.4 技术难点 | 第9-10页 |
| 1.3 本文工作与结构 | 第10-12页 |
| 1.3.1 本文工作 | 第10页 |
| 1.3.2 论文结构 | 第10-12页 |
| 2 相关理论及算法 | 第12-17页 |
| 2.1 卷积神经网络 | 第12-13页 |
| 2.1.1 神经网络传播过程 | 第12页 |
| 2.1.2 卷积神经网络基本结构 | 第12-13页 |
| 2.2 残差网络结构 | 第13-14页 |
| 2.3 基于卷积神经网络的跟踪算法 | 第14-15页 |
| 2.4 标准视频库评测 | 第15-17页 |
| 3 网络结构决定大规模深度网络训练 | 第17-30页 |
| 3.1 深度神经网络的训练 | 第17-18页 |
| 3.2 深度神经网络的结构特点 | 第18-22页 |
| 3.2.1 深度卷积神经网络 | 第18-21页 |
| 3.2.1.1 网络结构 | 第18-19页 |
| 3.2.1.2 网络训练和块归一化 | 第19-21页 |
| 3.2.1.3 测试阶段数据增广 | 第21页 |
| 3.2.2 SparkNet并行计算 | 第21-22页 |
| 3.3 残差网络的结构变化 | 第22-26页 |
| 3.3.1 分析对比时间递归神经网络 | 第22-23页 |
| 3.3.2 随机跳层结构 | 第23-24页 |
| 3.3.3 网络结构的研究 | 第24页 |
| 3.3.4 网络结构设计分析 | 第24-26页 |
| 3.3.4.1 模型深度 | 第24-25页 |
| 3.3.4.2 训练策略 | 第25页 |
| 3.3.4.3 模型结构 | 第25-26页 |
| 3.3.4.4 随机层深度 | 第26页 |
| 3.4 SparkNet网络配置 | 第26-30页 |
| 3.4.1 分类网络和Spark配置 | 第27-28页 |
| 3.4.2 定性比较 | 第28-30页 |
| 4 基于对偶双层网络的目标跟踪算法 | 第30-54页 |
| 4.1 算法的动机及框架 | 第30-34页 |
| 4.2 对偶双层网络跟踪的算法流程 | 第34-38页 |
| 4.2.1 深度特征与独立子成分分析 | 第34-36页 |
| 4.2.2 对偶双层深度网络 | 第36-38页 |
| 4.3 跟踪中的复杂背景分析 | 第38-41页 |
| 4.3.1 跟踪框架 | 第38-39页 |
| 4.3.2 遮挡与偏移 | 第39-40页 |
| 4.3.3 在线网络更新 | 第40-41页 |
| 4.4 实验分析 | 第41-54页 |
| 4.4.1 实验参数说明 | 第41-44页 |
| 4.4.2 在OTB数据集上的实验评估 | 第44-47页 |
| 4.4.3 在VOT2015数据集上的评估 | 第47-52页 |
| 4.4.4 对比实验 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-62页 |
| 致谢 | 第62-64页 |
