面向视觉感知理解的目标检测、跟踪与识别方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第17-25页 |
| 1.1 研究背景 | 第17-20页 |
| 1.2 研究内容 | 第20-23页 |
| 1.2.1 基于多任务学习的显著目标检测 | 第21页 |
| 1.2.2 基于时空上下文建模的目标跟踪 | 第21-22页 |
| 1.2.3 基于卷积神经网络的目标分类识别 | 第22页 |
| 1.2.4 基于对齐结构化表达的目标个体识别 | 第22-23页 |
| 1.3 本文组织结构 | 第23-25页 |
| 2 相关研究工作综述 | 第25-43页 |
| 2.1 目标检测 | 第25-29页 |
| 2.1.1 目标检测方法的分类 | 第25-27页 |
| 2.1.2 传统显著目标检测方法 | 第27页 |
| 2.1.3 深度显著目标检测方法 | 第27-28页 |
| 2.1.4 多任务神经网络方法 | 第28-29页 |
| 2.2 目标跟踪 | 第29-33页 |
| 2.2.1 目标跟踪的基本框架 | 第29-30页 |
| 2.2.2 目标跟踪面临的挑战 | 第30-31页 |
| 2.2.3 目标跟踪方法分类 | 第31-32页 |
| 2.2.4 兴趣点目标特征提取 | 第32页 |
| 2.2.5 兴趣点目标模型建模 | 第32-33页 |
| 2.3 目标分类识别 | 第33-38页 |
| 2.3.1 目标分类识别方法介绍 | 第33-34页 |
| 2.3.2 深度卷积神经网络 | 第34-35页 |
| 2.3.3 深度网络模型优化 | 第35-36页 |
| 2.3.4 深度网络模型结构 | 第36-38页 |
| 2.4 目标个体识别 | 第38-43页 |
| 2.4.1 目标个体识别任务分类 | 第38-39页 |
| 2.4.2 行人个体识别任务介绍 | 第39页 |
| 2.4.3 特征与度量分离的方法 | 第39-40页 |
| 2.4.4 基于深度学习的方法 | 第40页 |
| 2.4.5 基于匹配学习的方法 | 第40-43页 |
| 3 基于多任务学习的显著目标检测方法 | 第43-61页 |
| 3.1 问题描述 | 第43-45页 |
| 3.2 显著目标检测算法 | 第45-50页 |
| 3.2.1 多任务的全卷积神经网络 | 第46-48页 |
| 3.2.2 正则化回归与精细化处理 | 第48-49页 |
| 3.2.3 生成显著目标检测图步骤 | 第49-50页 |
| 3.3 实验设置与性能对比 | 第50-58页 |
| 3.3.1 显著目标检测实验设置 | 第50-52页 |
| 3.3.2 显著目标检测评价标准 | 第52页 |
| 3.3.3 显著目标检测算法的性能对比 | 第52-55页 |
| 3.3.4 多任务深度显著目标检测方法分析 | 第55-58页 |
| 3.4 本章小结 | 第58-61页 |
| 4 基于时空上下文建模的目标跟踪方法 | 第61-79页 |
| 4.1 问题描述 | 第62-63页 |
| 4.2 基于兴趣点的目标跟踪算法 | 第63-69页 |
| 4.2.1 兴趣点模型的结构化学习 | 第64-66页 |
| 4.2.2 判别性特征的度量学习 | 第66-67页 |
| 4.2.3 时序建模的多任务学习 | 第67-69页 |
| 4.3 目标跟踪算法优化求解 | 第69-71页 |
| 4.3.1 单目标跟踪算法求解 | 第69-70页 |
| 4.3.2 多目标跟踪算法扩展 | 第70-71页 |
| 4.4 实验设置与性能对比 | 第71-78页 |
| 4.4.1 单目标跟踪的实验设置与性能对比 | 第74-76页 |
| 4.4.2 多目标跟踪的实验设置与性能对比 | 第76-78页 |
| 4.5 本章小结 | 第78-79页 |
| 5 基于卷积神经网络的目标分类识别方法 | 第79-93页 |
| 5.1 问题描述 | 第79-81页 |
| 5.2 深度卷积神经网络模型 | 第81-85页 |
| 5.2.1 网络结构与组成模块设计 | 第81-82页 |
| 5.2.2 不同网络结构的性质分析 | 第82-85页 |
| 5.3 实验设置与性能分析 | 第85-91页 |
| 5.3.1 目标分类识别数据集 | 第85页 |
| 5.3.2 网络模型参数设置 | 第85-86页 |
| 5.3.3 深度卷积神经网络模型性能分析 | 第86-88页 |
| 5.3.4 目标分类识别算法性能对比 | 第88-89页 |
| 5.3.5 深度卷积神经网络结构设计的讨论 | 第89-91页 |
| 5.4 本章小结 | 第91-93页 |
| 6 基于对齐结构化表达的行人个体识别方法 | 第93-109页 |
| 6.1 问题描述 | 第93-95页 |
| 6.2 行人再识别算法 | 第95-100页 |
| 6.2.1 对齐结构化表达 | 第95-96页 |
| 6.2.2 表达学习模型的优化 | 第96-97页 |
| 6.2.3 模型与算法实现细节 | 第97-98页 |
| 6.2.4 对齐结构化表达算法讨论 | 第98-100页 |
| 6.3 实验及性能分析 | 第100-107页 |
| 6.3.1 数据集设置 | 第100页 |
| 6.3.2 行人再识别算法评估标准 | 第100-101页 |
| 6.3.3 不同结构化表达的评估与分析 | 第101-103页 |
| 6.3.4 行人个体识别算法性能分析与对比 | 第103-107页 |
| 6.4 本章小结 | 第107-109页 |
| 7 总结和展望 | 第109-113页 |
| 7.1 本文工作总结 | 第109-110页 |
| 7.2 未来研究展望 | 第110-113页 |
| 参考文献 | 第113-129页 |
| 作者简历及在学期间所取得的科研成果 | 第129-131页 |
| 致谢 | 第131页 |
