| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 绪论 | 第12-24页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 面向计算机视觉的深度学习研究现状 | 第14-19页 |
| 1.2.1 深度学习概念 | 第14-15页 |
| 1.2.2 深度学习在物体识别与检测中的应用 | 第15-16页 |
| 1.2.3 深度学习在视觉跟踪中的应用 | 第16-19页 |
| 1.3 论文的研究内容 | 第19-21页 |
| 1.4 论文的组织结构 | 第21-24页 |
| 2 基于深度学习的视觉跟踪框架及相关理论基础 | 第24-46页 |
| 2.1 引言 | 第24页 |
| 2.2 基于深度学习的视觉跟踪框架 | 第24-25页 |
| 2.3 视觉跟踪理论基础 | 第25-30页 |
| 2.3.1 视觉跟踪问题描述 | 第25-26页 |
| 2.3.2 粒子滤波原理分析 | 第26-28页 |
| 2.3.3 视觉跟踪的性能评估方法 | 第28-30页 |
| 2.4 深度学习理论基础 | 第30-35页 |
| 2.4.1 深度学习常用模型 | 第30-33页 |
| 2.4.2 典型CNN模型分析 | 第33-35页 |
| 2.5 深度学习模型关键技术与参数的分析及选择 | 第35-44页 |
| 2.5.1 激活函数 | 第36-39页 |
| 2.5.2 Dropout | 第39-42页 |
| 2.5.3 数据增强 | 第42-43页 |
| 2.5.4 网络深度 | 第43-44页 |
| 2.6 本章小结 | 第44-46页 |
| 3 基于CNN多层融合的视觉跟踪 | 第46-66页 |
| 3.1 引言 | 第46-47页 |
| 3.2 CNN层次性特征分析 | 第47-50页 |
| 3.2.1 目标特征空间信息 | 第47-48页 |
| 3.2.2 目标特征语义信息 | 第48-49页 |
| 3.2.3 目标特征的不变性分析 | 第49-50页 |
| 3.3 基于CNN多层融合的抗遮挡跟踪方法 | 第50-58页 |
| 3.3.1 基于卷积层融合的抗遮挡局部生成式模型 | 第50-56页 |
| 3.3.2 基于全连接层特征的全局判别式模型 | 第56-57页 |
| 3.3.3 跟踪算法设计 | 第57-58页 |
| 3.4 实验与分析 | 第58-64页 |
| 3.4.1 实现细节 | 第58页 |
| 3.4.2 评估方法 | 第58页 |
| 3.4.3 跟踪结果定量评估 | 第58-62页 |
| 3.4.4 跟踪效果分析与评估 | 第62-64页 |
| 3.5 本章小结 | 第64-66页 |
| 4 基于局部卷积RBM和聚类驱动调优的视觉跟踪 | 第66-84页 |
| 4.1 引言 | 第66-67页 |
| 4.2 RBM模型原理分析 | 第67-69页 |
| 4.3 基于局部卷积RBM和聚类驱动调优的视觉跟踪方法 | 第69-75页 |
| 4.3.1 基于局部卷积的模型结构改进方法 | 第69-72页 |
| 4.3.2 基于聚类驱动调优的网络训练方法 | 第72-74页 |
| 4.3.3 跟踪算法设计 | 第74-75页 |
| 4.4 实验与分析 | 第75-83页 |
| 4.4.1 实现细节 | 第75-76页 |
| 4.4.2 评估方法 | 第76-77页 |
| 4.4.3 跟踪结果定量评估 | 第77-81页 |
| 4.4.4 跟踪效果分析与评估 | 第81-83页 |
| 4.5 本章小结 | 第83-84页 |
| 5 基于深度神经网络集成学习的视觉跟踪优化 | 第84-104页 |
| 5.1 引言 | 第84-85页 |
| 5.2 集成学习机理分析 | 第85-88页 |
| 5.2.1 集成学习 | 第85-87页 |
| 5.2.2 Boosting算法 | 第87-88页 |
| 5.3 基于深度神经网络集成学习的视觉跟踪方法 | 第88-94页 |
| 5.3.1 基于负相关法的个体学习器协同训练方法 | 第88-90页 |
| 5.3.2 AdaBoost框架下噪声容忍的DNN集成方法 | 第90-93页 |
| 5.3.3 跟踪算法设计 | 第93-94页 |
| 5.4 实验与分析 | 第94-102页 |
| 5.4.1 实现细节 | 第94页 |
| 5.4.2 评估方法 | 第94-96页 |
| 5.4.3 跟踪结果定量评估 | 第96-100页 |
| 5.4.4 跟踪效果分析与评估 | 第100-102页 |
| 5.5 本章小结 | 第102-104页 |
| 6 基于深度哈希学习的视觉跟踪优化 | 第104-118页 |
| 6.1 引言 | 第104-105页 |
| 6.2 相关理论分析 | 第105-106页 |
| 6.2.1 图像的哈希表示 | 第105-106页 |
| 6.2.2 基于图像哈希的视觉跟踪方法 | 第106页 |
| 6.3 基于CNN的深度哈希学习 | 第106-110页 |
| 6.3.1 谱哈希原理分析 | 第106-107页 |
| 6.3.2 基于CNN的深度哈希学习 | 第107-110页 |
| 6.4 基于深度哈希学习的视觉跟踪方法 | 第110-111页 |
| 6.5 实验与分析 | 第111-117页 |
| 6.5.1 实现细节 | 第111-112页 |
| 6.5.2 评估方法 | 第112页 |
| 6.5.3 跟踪结果定量评估 | 第112-114页 |
| 6.5.4 跟踪效果分析与评估 | 第114-117页 |
| 6.6 本章小结 | 第117-118页 |
| 7 总结与展望 | 第118-122页 |
| 7.1 本文工作总结 | 第118-119页 |
| 7.2 工作展望 | 第119-122页 |
| 参考文献 | 第122-136页 |
| 致谢 | 第136-138页 |
| 攻读博士学位期间发表的学术论文和参加科研情况 | 第138-140页 |