| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.3 本文的工作与安排 | 第17-19页 |
| 第二章 多任务学习简介 | 第19-25页 |
| 2.1 原理简介 | 第19-21页 |
| 2.2 传统机器学习中的MTL | 第21-22页 |
| 2.3 深度神经网络中的MTL | 第22-24页 |
| 2.3.1 两种多任务学习方法 | 第22-23页 |
| 2.3.2 具体应用介绍 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于多任务拉普拉斯稀疏表示的多模态目标跟踪 | 第25-44页 |
| 3.1 引言 | 第25-26页 |
| 3.2 相关工作 | 第26-28页 |
| 3.3 问题建模及优化 | 第28-34页 |
| 3.3.1 问题建模 | 第28-32页 |
| 3.3.2 模型优化 | 第32-34页 |
| 3.4 多模态目标跟踪 | 第34-35页 |
| 3.4.1 贝叶斯滤波框架 | 第34页 |
| 3.4.2 跟踪算法流程 | 第34-35页 |
| 3.5 实验结果与分析 | 第35-43页 |
| 3.5.1 实验设定 | 第36-38页 |
| 3.5.2 对比实验 | 第38-42页 |
| 3.5.3 成分分析 | 第42-43页 |
| 3.5.4 效率分析 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于多任务卷积神经网络的视频车辆属性识别 | 第44-57页 |
| 4.0 引言 | 第44-45页 |
| 4.1 相关工作 | 第45-48页 |
| 4.1.1 车辆颜色识别相关工作 | 第45-46页 |
| 4.1.2 车辆类型识别相关工作 | 第46-48页 |
| 4.2 车辆属性识别 | 第48-51页 |
| 4.2.1 网络结构介绍 | 第48-50页 |
| 4.2.2 损失函数设计 | 第50页 |
| 4.2.3 算法流程 | 第50-51页 |
| 4.3 实验结果及分析 | 第51-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 参考文献 | 第59-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间发表的学术论文 | 第67-68页 |
| 攻读硕士学位期间参加的科研项目 | 第68页 |