| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 课题背景与研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 基于相关滤波器的方法 | 第12-13页 |
| 1.2.2 基于深度卷积神经网络的方法 | 第13-16页 |
| 1.2.3 多层特征相关的方法 | 第16-17页 |
| 1.3 本文主要研究内容 | 第17-20页 |
| 第2章 基于多层特征融合的跟踪方法研究 | 第20-34页 |
| 2.1 基于全卷积孪生网络的跟踪方法 | 第20-21页 |
| 2.2 基于独立多层特征融合的跟踪方法 | 第21-22页 |
| 2.3 基于自底向上特征融合的跟踪方法 | 第22-25页 |
| 2.4 实现细节、实验结果与分析 | 第25-32页 |
| 2.4.1 实现细节与评测标准 | 第25-28页 |
| 2.4.2 与当前最优秀的方法比较 | 第28-31页 |
| 2.4.3 跟踪速度比较 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第3章 训练样本利用与单次学习方法的局限性分析 | 第34-42页 |
| 3.1 简单/困难样本利用 | 第34-37页 |
| 3.1.1 在线困难样本挖掘 | 第35页 |
| 3.1.2 基于合页损失的容易样本处理 | 第35-36页 |
| 3.1.3 实验结果与分析 | 第36-37页 |
| 3.2 基于单次深度学习的跟踪方法局限性验证与分析 | 第37-39页 |
| 3.2.1 人工标注实验设置 | 第38页 |
| 3.2.2 实验结果与分析 | 第38-39页 |
| 3.3 本章小结 | 第39-42页 |
| 第4章 基于联合学习特征表示与截断推理的跟踪方法 | 第42-62页 |
| 4.1 基于背景感知的相关滤波器 | 第42-46页 |
| 4.2 问题建模、网络结构与模型学习 | 第46-51页 |
| 4.3 实现细节、实验结果与分析 | 第51-59页 |
| 4.3.1 实现细节 | 第51-52页 |
| 4.3.2 与基准方法的比较 | 第52-54页 |
| 4.3.3 消除实验 | 第54-56页 |
| 4.3.4 与当前最优秀的方法比较 | 第56-59页 |
| 4.4 本章小结 | 第59-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第67-69页 |
| 致谢 | 第69-70页 |