复杂背景下基于深度学习的单目标跟踪算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-24页 |
| 1.2.1 传统跟踪算法 | 第18-20页 |
| 1.2.2 深度跟踪算法 | 第20-24页 |
| 1.3 本文研究内容 | 第24-25页 |
| 1.4 论文组织结构 | 第25-26页 |
| 第2章 相关基础理论和知识 | 第26-38页 |
| 2.1 卷积神经网络 | 第26-31页 |
| 2.1.1 卷积层 | 第26-29页 |
| 2.1.2 池化 | 第29页 |
| 2.1.3 网络结构 | 第29-30页 |
| 2.1.4 孪生网络 | 第30-31页 |
| 2.2 光流 | 第31-33页 |
| 2.3 目标跟踪数据集 | 第33-36页 |
| 2.3.1 OTB数据集 | 第34页 |
| 2.3.2 VOT数据集 | 第34-36页 |
| 2.4 本章小结 | 第36-38页 |
| 第3章 基于特征融合的单目标跟踪算法研究 | 第38-50页 |
| 3.1 引言 | 第38-39页 |
| 3.2 相关工作 | 第39-41页 |
| 3.2.1 深度特征的层次性 | 第39-40页 |
| 3.2.2 区域生成网络 | 第40-41页 |
| 3.3 问题描述 | 第41-42页 |
| 3.4 方法流程及步骤 | 第42-46页 |
| 3.4.1 定位阶段 | 第42-44页 |
| 3.4.2 计算尺度 | 第44-45页 |
| 3.4.3 模型更新 | 第45-46页 |
| 3.5 实验 | 第46-49页 |
| 3.5.1 实验设置 | 第46-47页 |
| 3.5.2 评测标准 | 第47页 |
| 3.5.3 实验结果及分析 | 第47-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 基于帧间信息的单目标跟踪算法研究 | 第50-62页 |
| 4.1 引言 | 第50-51页 |
| 4.2 相关工作 | 第51-53页 |
| 4.2.1 光流在单目标跟踪算法中的应用 | 第51-52页 |
| 4.2.2 孪生网络在单目标跟踪算法中的应用 | 第52-53页 |
| 4.3 问题描述 | 第53-54页 |
| 4.4 方法流程及步骤 | 第54-56页 |
| 4.4.1 定位阶段 | 第54-55页 |
| 4.4.2 筛选样本 | 第55-56页 |
| 4.4.3 模型更新 | 第56页 |
| 4.5 实验 | 第56-58页 |
| 4.5.1 实验设置 | 第56-57页 |
| 4.5.2 评测标准 | 第57页 |
| 4.5.3 实验结果及分析 | 第57-58页 |
| 4.6 大规模城市监控数据集 | 第58-60页 |
| 4.6.1 数据集简介 | 第59-60页 |
| 4.6.2 实验结果 | 第60页 |
| 4.7 本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-66页 |
| 5.1 本文总结 | 第62-63页 |
| 5.2 研究展望 | 第63-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 在读期间发表的学术论文与取得的研究成果 | 第74页 |
