基于深度检测框架的视觉跟踪
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 视觉跟踪的研究方法及评价标准概述 | 第17-20页 |
| 1.3.1 视觉跟踪的研究方法 | 第17-18页 |
| 1.3.2 视觉跟踪的评价标准 | 第18-20页 |
| 1.4 本文的研究内容及创新点 | 第20-21页 |
| 1.5 本文的内容安排 | 第21-23页 |
| 第2章 视觉跟踪算法流程概述 | 第23-27页 |
| 2.1 视觉跟踪算法基本框架介绍 | 第23页 |
| 2.2 视觉跟踪算法的常用方法及存在的问题 | 第23-26页 |
| 2.2.1 相似学习算法 | 第23-25页 |
| 2.2.2 相关滤波算法 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于相似学习的孪生网络视觉跟踪算法 | 第27-41页 |
| 3.1 用于相似学习的孪生网络框架设计 | 第27-34页 |
| 3.1.1 相似学习的孪生网络视觉跟踪算法框架 | 第27-28页 |
| 3.1.2 数据预处理 | 第28-29页 |
| 3.1.3 基于SSD的特征提取网络框架 | 第29-32页 |
| 3.1.4 损失函数设计 | 第32-33页 |
| 3.1.5 模型训练、跟踪与更新策略 | 第33-34页 |
| 3.2 实验结果及分析 | 第34-39页 |
| 3.2.1 实验数据及基准 | 第34页 |
| 3.2.2 实验结果及分析 | 第34-39页 |
| 3.3 本章小结 | 第39-41页 |
| 第4章 基于非局部均值的相关滤波视觉跟踪算法 | 第41-55页 |
| 4.1 基于非局部均值的相关滤波网络框架设计 | 第42-47页 |
| 4.1.1 全卷积相关滤波 | 第43-45页 |
| 4.1.2 非局部均值算法 | 第45-46页 |
| 4.1.3 目标物体尺度估计 | 第46-47页 |
| 4.2 实验结果及分析 | 第47-53页 |
| 4.2.1 实验数据及基准 | 第47-48页 |
| 4.2.2 实验结果及分析 | 第48-53页 |
| 4.3 本章小结 | 第53-55页 |
| 第5章 视觉跟踪算法在行人检测上的应用 | 第55-63页 |
| 5.1 行人检测与跟踪算法框架设计 | 第56-58页 |
| 5.1.1 训练数据集 | 第56页 |
| 5.1.2 基于SSD的特征提取网络框架 | 第56-57页 |
| 5.1.3 模型训练、跟踪与更新策略 | 第57-58页 |
| 5.2 实验结果及分析 | 第58-60页 |
| 5.3 本章小结 | 第60-63页 |
| 第6章 总结与展望 | 第63-67页 |
| 6.1 全文总结 | 第63-64页 |
| 6.2 研究展望 | 第64-67页 |
| 参考文献 | 第67-75页 |
| 致谢 | 第75-77页 |
| 在读期间发表的学术论文与取得的研究成果 | 第77页 |
