声明
第1章 绪论
1.1 研究背景与意义
1.2 目标跟踪研究现状
1.2.1 单目标跟踪研究现状
1.2.2 多目标跟踪研究现状
1.3 轨迹预测研究现状
1.3.1 俯视视角轨迹预测研究现状
1.3.2 驾驶视角轨迹预测研究现状
1.4.1 主要研究内容
1.4.2 研究技术路线
第2章 深度学习目标检测方法
2.1 基于深度学习的目标检测方法综述
2.1 目标检测算法主要发展历程
2.2 目标检测数据库与评价标准
2.3 代表性的传统目标检测算法
2.2 DPM算法示意图
2.4 基于深度学习的一阶段目标检测算法
2.4.1 YOLO算法
2.4.2 SSD算法
2.5.1 FasterR-CNN算法
2.5.2 SDP算法
2.6 目标检测研究趋势
2.7 本章小结
第3章 基于流形孪生网络的实时单目标跟踪算法
3.1 孪生网络结构目标跟踪架构
3.2 MSN算法整体架构
3.3 MSN训练过程
3.3.1 流形特征与流形样本池
3.3.2 遮挡对抗与更新策略
3.4.1 实验设置
3.4.2 OTB数据集上实验结果
3.4.3 VOT数据集上实验结果
3.4.4 算法速度对比
3.5 可视化跟踪结果
3.6 本章小结
第4章 基于双重注意力的在线多目标跟踪算法
4.1 基准DeepMOT跟踪框架
4.1.1 单目标跟踪嵌入到多目标跟踪问题定义
4.1.2 DeepMOT框架
4.2.1 显著性检测简介
4.2.2 场景注意力模块
4.3.1 特征增强方法简介
4.3.2 通道注意力模块
4.4 整体网络架构
4.5.1 实验设置
4.5.2 定量分析结果
4.5.3 定性分析结果
4.7 本章小结
第5章 基于图注意力模型的驾驶视角轨迹预测算法
5.1 整体网络架构
5.1.1 驾驶视角轨迹预测定义
5.1.2 整体网络架构
5.2.1 标准LSTM介绍
5.2.2 SR-LSTM算法
5.3.1 智能体简介
5.3.2 基于行为建模的时间注意力
5.4 基于图注意力模型的空间交互建模
5.4.1 图注意力网络
5.4.2 基于欧式距离的图交互方法
5.5 实验结果
5.5.1 实验设置与评价方法
5.5.2 轨迹预测数据库介绍
5.5.3 定量分析
5.5.4 定性分析
5.6 本章小结
第6章 总结与展望
6.1 工作总结
6.2 本文主要贡献和创新点
6.3 研究展望
参考文献
作者简介与科研成果
致谢
吉林大学;