基于模型引导和特征增强的深度视觉跟踪方法研究

目录

第1章 绪论

1.1 课题研究目的及意义

1.1.1 研究目的

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 视觉跟踪中观测模型的研究现状

1.2.2 视觉跟踪中特征提取的研究现状

1.3 主要研究内容

第2章 基于支持向量的相关滤波器跟踪方法

2.1 引言

2.2 单通道支持向量相关滤波器模型

2.2.1 模型表示

2.2.2 交替优化算法

2.2.3 收敛性分析

2.2.4 讨论

2.3 多通道支持向量相关滤波器模型

2.4 核支持向量相关滤波器模型

2.5 实验结果

2.5.1 实验设置

2.5.2 基于支持向量的相关滤波器跟踪方法评估

2.5.3 基于相关滤波器的跟踪方法对比

2.5.4 基于支持向量机的跟踪方法对比

2.5.5 主流视觉跟踪方法对比

2.6 本章小结

第3章 基于自顶向下特征增强和困难样本挖掘的跟踪方法

3.1 引言

3.2 自顶向下特征增强模型

3.2.1 基于全卷积孪生网络的跟踪模型

3.2.2 基于自顶向下模块的特征增强

3.3 大间隔损失改进

3.3.1 模型表示

3.3.2 广义块坐标下降算法

3.3.3 讨论

3.3.4 嵌入卷积神经网络

3.4 困难样本挖掘

3.4.1 基于改进损失函数的困难样本挖掘

3.4.2 讨论

3.5 实验结果

3.5.1 视觉跟踪实验结果

3.5.2 分类实验结果

3.6 本章小结

第4章 基于自适应多因子空洞卷积的跟踪方法

4.1 引言

4.2 自适应多因子空洞卷积网络

4.2.1 空洞卷积

4.2.2 多因子空洞卷积

4.2.3 自适应融合策略

4.3 自适应多因子空洞卷积应用

4.4 实验结果

4.4.1 实现细节

4.4.2 多因子空洞卷积验证

4.4.3 自适应融合策略验证

4.4.4 在跟踪模型上的泛化性能验证

4.4.5 主流视觉跟踪方法对比

4.5 本章小结

第5章 基于相关滤波器的特征表达与截断预测联合学习跟踪方法

5.1 引言

5.2 模型表示

5.2.1 BACF模型

5.2.2 二层优化模型

5.2.3 网络结构

5.3 模型学习

5.3.1 阶段式训练

5.3.2 联合学习

5.4 实验结果

5.4.1 数据集及训练细节

5.4.2 相关算法对比

5.4.3 训练策略和参数影响分析

5.4.4 主流视觉跟踪方法对比

5.5 本章小结

结论

参考文献

攻读博士学位期间发表的论文及其他成果

声明

致谢

个人简历