首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于深度卷积神经网络的目标跟踪与图像检索的研究

ABSTRACT第5-6页
摘要第7-12页
Symbol Table第12-13页
Abbreviations Table第13-16页
Chapter 1 Introduction第16-28页
    1.1 Background第16-17页
    1.2 Visual Object Tracking第17-20页
    1.3 Image Retrieval第20-25页
    1.4 Contributions and Overview第25-28页
Chapter 2 Related Work第28-32页
    2.1 Related Work on Visual Object Tracking第28-30页
        2.1.1 Generative and Discriminative models第28页
        2.1.2 Correlation Filters model第28-29页
        2.1.3 Deep Convolutional Neural Networks for Visual Trakcing第29页
        2.1.4 Datasets and Evaluation Methods第29-30页
    2.2 Deep Hashing for Image Retrieval第30-32页
Chapter 3 Complex Form of Local Orientation Plane for Visual Object Tracking第32-44页
    3.1 Introduction第32-33页
    3.2 Proposed Method第33-39页
        3.2.1 Correlation Tracking第33-35页
        3.2.2 Complex Form-Local Orientation Plane第35-36页
        3.2.3 Selecting Appropriate Search Region第36-37页
        3.2.4 Scale Update第37-39页
    3.3 Experimental Results第39-41页
        3.3.1 Experimental Setup第39页
        3.3.2 Performance Comparison第39页
        3.3.3 Quantitative Comparisons第39-40页
        3.3.4 Visual Comparisons第40-41页
        3.3.5 Failure Cases第41页
    3.4 Conclusions第41-44页
Chapter 4 Fully Convolutional Siamese Networks for Object Tracking Based on Lay-er Fusion第44-54页
    4.1 Introduction第44-46页
    4.2 Proposed Method第46-49页
        4.2.1 Network Architecture第46-47页
        4.2.2 Network Inputs第47页
        4.2.3 Matching Function第47-49页
        4.2.4 Loss Function第49页
    4.3 Experimental Results第49-52页
        4.3.1 Experimental Setup第49-50页
        4.3.2 Network Training第50页
        4.3.3 Performance Comparison第50页
        4.3.4 Quantitative Comparisons第50-51页
        4.3.5 Visual Comparisons第51-52页
    4.4 Conclusions第52-54页
Chapter 5 Siamese Hash Binary Network for Image Retrieval Using Feature Fusion第54-64页
    5.1 Introduction第54-56页
    5.2 Proposed Method第56-59页
        5.2.1 Model Architecture第56-58页
        5.2.2 Binarization第58页
        5.2.3 Triplet Loss Function第58-59页
    5.3 Experimental Results第59-61页
        5.3.1 Experimental Settings第59-60页
        5.3.2 Performance Comparison第60-61页
    5.4 Conclusions第61-64页
Chapter 6 Summary and future work第64-66页
    6.1 Summary第64-65页
    6.2 Future Work第65-66页
Reference第66-72页
Acknowledgements第72-74页
Biography第74页

论文共74页,点击 下载论文
上一篇:基于自适应扩展卡尔曼滤波的室内惯性导航系统设计与实现
下一篇:灾害环境下多飞艇WSN大规模覆盖空洞修复方法研究