目標(biāo)跟蹤是視覺系統(tǒng)的基礎(chǔ)技術(shù)之一,在視頻監(jiān)控、自動(dòng)駕駛和人機(jī)交互等領(lǐng)域有重要應(yīng)用�；趯\生全卷積網(wǎng)絡(luò)的跟蹤方法因其簡(jiǎn)潔的架構(gòu)和良好的性能而成為目標(biāo)跟蹤的重要方法之一。這類方法先用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取,然后用特征進(jìn)行目標(biāo)的定位。早期的孿生全卷積網(wǎng)絡(luò)跟蹤器都采用淺層的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取。這種網(wǎng)絡(luò)提取的特征判別力有限,在復(fù)雜情況下無法區(qū)分出目標(biāo)。另外,孿生全卷積網(wǎng)絡(luò)跟蹤器需要大量標(biāo)注的視頻圖像幀進(jìn)行訓(xùn)練。圖像中關(guān)注的目標(biāo)只有一個(gè),那么標(biāo)注數(shù)據(jù)中就會(huì)有大量的負(fù)樣本產(chǎn)生,而且普通的損失函數(shù)不易學(xué)習(xí)困難樣本。針對(duì)這些問題,本研究進(jìn)行了如下兩方面的研究:1.針對(duì)淺層卷積神經(jīng)網(wǎng)絡(luò)特征判別力不足的問題,本研究基于可復(fù)用各層特征的稠密連接網(wǎng)絡(luò)設(shè)計(jì)了新的孿生全卷積網(wǎng)絡(luò)架構(gòu)。為了適應(yīng)跟蹤任務(wù),本研究首先分析了主干卷積神經(jīng)網(wǎng)絡(luò)中會(huì)影響跟蹤結(jié)果的因素,然后對(duì)原始稠密連接網(wǎng)絡(luò)進(jìn)行了改進(jìn),加入了中心裁剪操作去掉卷積填充對(duì)跟蹤的影響。另外,結(jié)合特征感受野對(duì)跟蹤器的影響控制了網(wǎng)絡(luò)的輸出特征圖尺寸。多個(gè)測(cè)試數(shù)據(jù)集上的實(shí)驗(yàn)表明,基于孿生稠密連接網(wǎng)絡(luò)改進(jìn)的跟蹤器取得了更好的跟蹤準(zhǔn)確度和魯棒性。2.針對(duì)訓(xùn)練數(shù)據(jù)集中正負(fù)... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

AlexNet網(wǎng)絡(luò)結(jié)構(gòu)

最大

重慶郵電大學(xué)碩士學(xué)位論文第2章孿生全卷積網(wǎng)絡(luò)跟蹤方法的相關(guān)理論11圖2.4單隱藏層的神經(jīng)網(wǎng)絡(luò)在圖2.4所示的單隱藏層的神經(jīng)網(wǎng)絡(luò)中，輸入和輸出個(gè)數(shù)分別為3和2，中間的隱藏層中包含了4個(gè)隱藏單元（hiddenunit）。由于輸入層不涉及計(jì)算，該神經(jīng)網(wǎng)絡(luò)的層數(shù)為2。由圖2.4可見，隱藏層中的神經(jīng)元和輸入層中各個(gè)輸入完全連接，輸出層中的神經(jīng)元和隱藏層中的各個(gè)神經(jīng)元也完全連接。因此，該神經(jīng)網(wǎng)絡(luò)中的隱藏層和輸出層都是全連接層。假設(shè)有一批輸入樣本∈×，樣本個(gè)數(shù)為，每個(gè)樣本的輸入特征數(shù)為。單隱藏層神經(jīng)網(wǎng)絡(luò)中，隱藏層單元個(gè)數(shù)記為，記隱藏層的輸出為，則有∈×。由于隱藏層和輸出層都是全連接層，可以設(shè)隱藏層的權(quán)重和偏差參數(shù)分別為∈×和∈×，輸出層的權(quán)重和偏差參數(shù)分別為∈×和∈×。該神經(jīng)網(wǎng)絡(luò)的輸出可以由公式(2.2)和公式(2.3)得到。=+(2.2)=+(2.3)式中，∈×——單隱藏層神經(jīng)網(wǎng)絡(luò)輸出值聯(lián)立公式(2.2)和公式(2.3)可以得到計(jì)算輸出的公式(2.4)。=++(2.4)從聯(lián)立后的公式可以看出，引入隱藏層的全連接神經(jīng)網(wǎng)絡(luò)依然等價(jià)于一個(gè)單層的神經(jīng)網(wǎng)絡(luò)。即便引入更多的隱藏層，這樣的全連接神經(jīng)網(wǎng)絡(luò)依然等價(jià)于一個(gè)線性變換。整個(gè)神經(jīng)網(wǎng)絡(luò)的表征能力并沒有加強(qiáng)。4.激活函數(shù)卷積層和全連接層都只是對(duì)輸入進(jìn)行了線性變換，多層的線性變換等價(jià)于單層的線性變換。這讓網(wǎng)絡(luò)的深度成為了無用的指標(biāo)。為了讓網(wǎng)絡(luò)能疊加得更深，從而獲得更強(qiáng)的表征能力，網(wǎng)絡(luò)就必須加入非線性變換。池化層可以起到非線性變化的作用，但是這會(huì)成倍增加網(wǎng)絡(luò)的參數(shù)，過多的池化層也會(huì)讓網(wǎng)絡(luò)丟失更多細(xì)節(jié)信息。

【參考文獻(xiàn)】：
期刊論文
[1]視覺目標(biāo)跟蹤方法研究綜述[J]. 葛寶義,左憲章,胡永江.  中國(guó)圖象圖形學(xué)報(bào). 2018(08)
[2]深度學(xué)習(xí)研究綜述[J]. 張榮,李偉平,莫同.  信息與控制. 2018(04)
[3]基于深度學(xué)習(xí)的視覺跟蹤算法研究綜述[J]. 賈靜平,覃亦華.  計(jì)算機(jī)科學(xué). 2017(S1)



本文編號(hào)：3105836