基于表达增强与决策优化的深度视觉目标追踪方法研究

目录

第1章 绪论

1.1 视觉目标追踪的研究背景及意义

1.2 视觉目标追踪的研究现状

1.2.1 基于机器学习的视觉目标追踪方法

1.2.2 基于相关滤波的视觉目标追踪方法

1.2.3 基于深度学习的视觉目标追踪方法

1.3 相关研究方法存在的问题

1.3.1 视觉表达问题

1.3.2 追踪决策问题

1.4 本文的主要研究内容

第2章 基于互补特征和支持向量滤波的深度视觉目标追踪方法

2.1 引言

2.2.1 支持向量滤波器

2.2.2 协同优化策略

2.3 基于互补特征的表达增强模型

2.4.1 多置信融合

2.4.2 尺度大小的估计

2.5.1 卷积神经网络的算法复杂度

2.5.2 支持向量滤波器的算法复杂度

2.6 评估实验与结果分析

2.6.1 实现细节与实验平台

2.6.2 实验评估数据集和指标

2.6.3 各模型有效性验证

2.6.4 与相关前沿视觉目标追踪方法对比

2.7 本章小结

第3章 基于注意力学习和背景感知的深度视觉目标追踪方法

3.1 引言

3.2 基于注意力学习的表达增强模型

3.2.1 视频帧间注意力学习

3.2.2 图像帧内注意力学习

3.3.1 背景感知相关滤波器

3.3.2 可微相关滤波层

3.4 端到端深度视觉目标追踪

3.5 评估实验与结果分析

3.5.1 实现细节与实验平台

3.5.2 OTB评测数据集上的实验评估

3.5.3 VOT竞赛数据集上的实验评估

3.5.4 各模型有效性验证

3.5.5 主干网络的深度和宽度分析

3.6 本章小结

第4章 基于层次化特征聚合和标注框检测的深度视觉目标追踪方法

4.1 引言

4.2 基于层次化特征聚合的表达增强模型

4.2.1 基于对称拓扑的卷积神经网络

4.2.2 模型的轻量化改进

4.2.3 目标模版表达增强

4.3 基于标注框检测的决策优化模型

4.4 损失函数

4.5 评估实验与结果分析

4.5.1 实现细节与实验平台

4.5.2 与相关前沿视觉目标追踪方法对比

4.5.3 模型有效性验证

4.5.4 主干网络的效率评估

4.6 本章小结

第5章 基于跨层并行细化和极点感知的深度视觉目标追踪方法

5.1 引言

5.2 基于极点感知的决策优化模型

5.2.1 极点建模

5.2.2 极点检测

5.2.3 目标对象标注

5.3 基于跨层并行细化的表达增强模型

5.4 离线训练

5.4.1 中心点检测

5.4.2 损失函数

5.5 评估实验与结果分析

5.5.1 实现细节与实验平台

5.5.2 与相关前沿视觉目标追踪方法对比

5.5.3 实时性验证

5.5.4 消融实验

5.6 本章小结

结论

参考文献

附录A 标注框检测的软标签衰减半径

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