基于深度学习的目标跟踪算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题研究目的和意义 | 第8-9页 |
| 1.1.1 目标跟踪的重要应用 | 第8页 |
| 1.1.2 目标跟踪相关问题 | 第8-9页 |
| 1.2 国内外研究背景及现状 | 第9-14页 |
| 1.2.1 传统目标跟踪算法的发展 | 第10-12页 |
| 1.2.2 基于深度学习跟踪算法的发展 | 第12-14页 |
| 1.3 论文内容及组织结构 | 第14-15页 |
| 第2章 目标跟踪及深度学习理论基础 | 第15-28页 |
| 2.1 单目标跟踪流程 | 第15-16页 |
| 2.2 目标特征的选取 | 第16-17页 |
| 2.3 相关滤波理论基础 | 第17-19页 |
| 2.4 相关滤波跟踪框架 | 第19-21页 |
| 2.4.1 CFT整体框架介绍 | 第19-20页 |
| 2.4.2 滤波器训练更新机制 | 第20-21页 |
| 2.5 目标跟踪相关深度学习简介 | 第21-27页 |
| 2.5.1 人工神经网络 | 第21-24页 |
| 2.5.2 神经网络反向传播过程 | 第24-25页 |
| 2.5.3 卷积神经网络 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于卷积神经网络的目标跟踪 | 第28-47页 |
| 3.1 基于深度网络的跟踪框架 | 第28-34页 |
| 3.1.1 框架流程定义 | 第28-29页 |
| 3.1.2 核心模型解析 | 第29-30页 |
| 3.1.3 模型训练与初始化 | 第30-31页 |
| 3.1.4 模型更新策略 | 第31-34页 |
| 3.2 SPPNet网络处理多尺度输入 | 第34-37页 |
| 3.2.1 卷积神经网络尺度问题 | 第34-36页 |
| 3.2.2 SPPNet空间金字塔池化网络 | 第36-37页 |
| 3.3 多层卷积特征融合 | 第37-41页 |
| 3.3.1 卷积层特征研究 | 第37-39页 |
| 3.3.2 多层特征融合方法 | 第39-41页 |
| 3.4 实验结果与分析 | 第41-46页 |
| 3.4.1 训练测试视频数据集 | 第41页 |
| 3.4.2 SPPNet多尺度输入结果分析 | 第41-43页 |
| 3.4.3 多层卷积融合结果分析 | 第43-45页 |
| 3.4.4 其他跟踪算法对比结果 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于孪生网络的目标跟踪 | 第47-56页 |
| 4.1 孪生网络结构 | 第47-49页 |
| 4.1.1 相似性度量方法 | 第47-48页 |
| 4.1.2 孪生网络结构 | 第48-49页 |
| 4.2 基于孪生网络的目标跟踪框架 | 第49-53页 |
| 4.2.1 相似性度量跟踪操作 | 第50-51页 |
| 4.2.2 残差注意力机制 | 第51-52页 |
| 4.2.3 通道注意力机制 | 第52-53页 |
| 4.3 实验结果分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64页 |
