基于卷积神经网络的在线目标跟踪算法
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第9-20页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 目标跟踪研究中面临的主要问题 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-17页 |
| 1.3.1 经典目标跟踪算法 | 第12-14页 |
| 1.3.2 相关滤波跟踪算法 | 第14-16页 |
| 1.3.3 深度学习跟踪算法 | 第16-17页 |
| 1.4 论文的主要工作 | 第17-19页 |
| 1.5 论文结构安排 | 第19-20页 |
| 第2章 卷积神经网络和粒子滤波相关基础 | 第20-27页 |
| 2.1 卷积神经网络 | 第20-24页 |
| 2.1.1 卷积神经网络结构 | 第20-22页 |
| 2.1.2 卷积神经网络特点 | 第22-24页 |
| 2.2 粒子滤波简介 | 第24-25页 |
| 2.3 算法评估方法 | 第25-27页 |
| 第3章 基于核函数的卷积神经网络跟踪算法 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 核函数 | 第27-28页 |
| 3.3 高斯核函数卷积神经网络跟踪算法 | 第28-32页 |
| 3.3.1 高斯核函数 | 第28-29页 |
| 3.3.2 特征提取 | 第29-30页 |
| 3.3.3 粒子滤波 | 第30页 |
| 3.3.4 跟踪算法 | 第30-32页 |
| 3.4 实验分析 | 第32-36页 |
| 3.4.1 定性分析 | 第32-33页 |
| 3.4.2 定量分析 | 第33-36页 |
| 3.5 小结 | 第36-37页 |
| 第4章 结合时空信息的卷积神经网络跟踪算法 | 第37-46页 |
| 4.1 引言 | 第37页 |
| 4.2 时空上下文信息 | 第37-38页 |
| 4.3 时空卷积网络跟踪算法 | 第38-42页 |
| 4.3.1 时空模型 | 第38-39页 |
| 4.3.2 特征提取 | 第39-40页 |
| 4.3.3 跟踪算法 | 第40-42页 |
| 4.4 实验分析 | 第42-45页 |
| 4.4.1 定性分析 | 第42-44页 |
| 4.4.2 定量分析 | 第44-45页 |
| 4.5 小结 | 第45-46页 |
| 第5章 稀疏学习的时空卷积神经网络跟踪算法 | 第46-55页 |
| 5.1 引言 | 第46页 |
| 5.2 稀疏学习的时空卷积网络跟踪算法 | 第46-50页 |
| 5.2.1 特征提取 | 第46-48页 |
| 5.2.2 稀疏学习 | 第48页 |
| 5.2.3 跟踪算法 | 第48-50页 |
| 5.3 实验分析 | 第50-54页 |
| 5.3.1 定性分析 | 第50-52页 |
| 5.3.2 定量分析 | 第52-54页 |
| 5.4 小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-64页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第64页 |
