| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-11页 |
| 1.1 课题背景及意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.3 本文内容与章节安排 | 第9-11页 |
| 2 目标跟踪技术概述与卷积神经网络 | 第11-24页 |
| 2.1 目标跟踪技术概述 | 第11-13页 |
| 2.1.1 目标跟踪定义 | 第11页 |
| 2.1.2 目标跟踪任务的难点 | 第11-12页 |
| 2.1.3 目标跟踪外观表示 | 第12-13页 |
| 2.2 神经网络概述 | 第13-16页 |
| 2.2.1 人工神经元模型 | 第14-16页 |
| 2.2.2 前馈神经网络 | 第16页 |
| 2.3 误差反向传播算法 | 第16-19页 |
| 2.4 卷积神经网络 | 第19-23页 |
| 2.4.1 卷积神经网络的发展历程 | 第19-20页 |
| 2.4.2 卷积神经网络的结构 | 第20-21页 |
| 2.4.3 卷积神经网络层的类型 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于卷积神经网络多尺度表达的多示例目标跟踪算法 | 第24-39页 |
| 3.1 问题描述 | 第24页 |
| 3.2 算法描述 | 第24-26页 |
| 3.3 卷积神经网络结构设计及目标建模 | 第26-29页 |
| 3.3.1 目标的拉普拉斯金字塔构建 | 第26-27页 |
| 3.3.2 卷积网络结构设计 | 第27-28页 |
| 3.3.3 预训练网络模型 | 第28-29页 |
| 3.4 改进的多示例学习分类器 | 第29-31页 |
| 3.4.1 多示例学习跟踪算法 | 第29-30页 |
| 3.4.2 改进的多示例学习算法 | 第30-31页 |
| 3.5 基于多尺度外观表达的多示例在线跟踪 | 第31-33页 |
| 3.5.1 多尺度外观表达 | 第31-32页 |
| 3.5.2 跟踪算法流程及更新策略 | 第32-33页 |
| 3.6 实验结果与分析 | 第33-38页 |
| 3.7 本章小结 | 第38-39页 |
| 4 基于Attention机制的卷积神经网络的目标跟踪算法 | 第39-50页 |
| 4.1 问题描述 | 第39-40页 |
| 4.2 Attention机制思想 | 第40-41页 |
| 4.3 基于Attention机制的多专家目标跟踪算法设计 | 第41-45页 |
| 4.3.1 算法描述 | 第41-42页 |
| 4.3.2 基于初始帧内容的Attention模型 | 第42-43页 |
| 4.3.3 Attention机制卷积神经网络结构设计 | 第43-44页 |
| 4.3.4 基于Attention目标外观表达的多专家在线跟踪 | 第44-45页 |
| 4.4 实验结果及分析 | 第45-49页 |
| 4.5 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-59页 |
