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

复杂场景下鲁棒跟踪与超分辨率重建算法研究

摘要第8-9页
Abstract第9-10页
第1章 绪论第14-22页
    1.1 研究背景及意义第14-16页
    1.2 目标跟踪与图像超分辨率研究现状第16-20页
        1.2.1 目标跟踪第16-18页
        1.2.2 图像超分辨率第18-20页
    1.3 本文的主要研究内容第20-22页
第2章 粒子滤波嵌入相关滤波框架中的鲁棒跟踪器第22-39页
    2.1 引言第22页
    2.2 基于相关滤波和粒子滤波的跟踪模型第22-24页
        2.2.1 相关滤波跟踪框架第22-23页
        2.2.2 粒子滤波跟踪原理第23-24页
    2.3 粒子滤波嵌入相关滤波器框架中的目标跟踪算法第24-28页
        2.3.1 尺度和定位滤波器训练第24-26页
        2.3.2 目标跟踪第26-27页
        2.3.3 模型更新第27-28页
    2.4 本章算法总结第28-29页
    2.5 实验结果及分析第29-37页
        2.5.1 实验设置及参数讨论第29-30页
        2.5.2 实验结果分析第30-37页
    2.6 本章小结第37-39页
第3章 联合稀疏鲁棒样本与多特征融合残差学习的目标跟踪第39-51页
    3.1 引言第39页
    3.2 基于残差学习和稀疏表示的目标跟踪模型第39-42页
        3.2.1 基于残差学习的目标跟踪模型第39-41页
        3.2.2 基于稀疏表示的目标跟踪模型第41-42页
    3.3 联合稀疏鲁棒样本与多特征融合的残差学习的目标跟踪算法第42-46页
        3.3.1 多特征融合第42-43页
        3.3.2 基于残差学习的跟踪模型构建第43-44页
        3.3.3 多特征融合的残差网络训练与目标实时跟踪第44-45页
        3.3.4 稀疏鲁棒样本更新跟踪模型第45-46页
    3.4 本章算法总结第46-47页
    3.5 实验结果及分析第47-50页
        3.5.1 实验设置及参数讨论第47页
        3.5.2 实验结果对比及分析第47-50页
    3.6 本章小结第50-51页
第4章 堆叠GAN网络的逐步图像超分辨率第51-65页
    4.1 引言第51页
    4.2 基于GAN网络的图像超分辨率模型第51-53页
    4.3 堆叠GAN网络逐步图像超分辨率算法第53-57页
        4.3.1 堆叠GAN网络的模型构建第53-55页
        4.3.2 损失函数第55-57页
        4.3.3 基于堆叠GAN网络的图像重建第57页
    4.4 本章算法总结第57-58页
    4.5 实验结果及分析第58-64页
        4.5.1 实验设置及参数讨论第58-60页
        4.5.2 实验结果分析第60-64页
    4.6 本章小结第64-65页
第5章 总结与展望第65-67页
    5.1 总结第65-66页
    5.2 展望第66-67页
参考文献第67-75页
致谢第75-76页
附录 攻读硕士学位期间的科研成果第76页

论文共76页,点击 下载论文
上一篇:基于深度学习的中文儿童语音识别声学模型研究
下一篇:具有访问约束和时延的网络化控制系统研究