目標(biāo)跟蹤是計(jì)算機(jī)視覺中一個(gè)具有挑戰(zhàn)性的任務(wù)。近些年來,隨著深度學(xué)習(xí)技術(shù)的發(fā)展,基于單次深度學(xué)習(xí)的目標(biāo)跟蹤算法受到了人們的廣泛關(guān)注�；趩未螌W(xué)習(xí)的目標(biāo)跟蹤方法指的是在離線訓(xùn)練的基礎(chǔ)上,在在線跟蹤的過程中不對模型調(diào)整,因此單次深度學(xué)習(xí)的目標(biāo)跟蹤算法較其他基于深度學(xué)習(xí)的跟蹤方法在速度上有很大的優(yōu)勢。但是,在現(xiàn)在的單次深度學(xué)習(xí)算法中,大部分使用的都是較深層的特征,雖然深層的特征包含了更多的語義信息但是分辨率太低不利于目標(biāo)的準(zhǔn)確定位,這大大影響了深度跟蹤算法的性能。在訓(xùn)練的過程中,存在著大量的容易樣本,雖然它們產(chǎn)生的損失函數(shù)值較小,但是這些損失的累積可以主導(dǎo)梯度的更新方向進(jìn)而影響訓(xùn)練的效率與效果。針對上述問題,受人類視覺機(jī)制的啟發(fā),本文設(shè)計(jì)了融合深度神經(jīng)網(wǎng)絡(luò)淺層與深層特征的兩種方法,一種是將不同層的響應(yīng)加權(quán)相加,另一種是基于自頂向下的特征融合模塊,基于此獲得對目標(biāo)更加準(zhǔn)確的表示。另外本文提出了在線困難樣本挖掘以及基于合頁損失（Hinge Loss）的容易樣本處理方式,去從模型訓(xùn)練的角度提高模型的性能。在多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果結(jié)果驗(yàn)證了本文提出的多層特征融合以及容易樣本處理方式的有效性,但是性能相... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景與研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于相關(guān)濾波器的方法
        1.2.2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法
        1.2.3 多層特征相關(guān)的方法
    1.3 本文主要研究內(nèi)容
第2章 基于多層特征融合的跟蹤方法研究
    2.1 基于全卷積孿生網(wǎng)絡(luò)的跟蹤方法
    2.2 基于獨(dú)立多層特征融合的跟蹤方法
    2.3 基于自底向上特征融合的跟蹤方法
    2.4 實(shí)現(xiàn)細(xì)節(jié)、實(shí)驗(yàn)結(jié)果與分析
        2.4.1 實(shí)現(xiàn)細(xì)節(jié)與評測標(biāo)準(zhǔn)
        2.4.2 與當(dāng)前最優(yōu)秀的方法比較
        2.4.3 跟蹤速度比較
    2.5 本章小結(jié)
第3章 訓(xùn)練樣本利用與單次學(xué)習(xí)方法的局限性分析
    3.1 簡單/困難樣本利用
        3.1.1 在線困難樣本挖掘
        3.1.2 基于合頁損失的容易樣本處理
        3.1.3 實(shí)驗(yàn)結(jié)果與分析
    3.2 基于單次深度學(xué)習(xí)的跟蹤方法局限性驗(yàn)證與分析
        3.2.1 人工標(biāo)注實(shí)驗(yàn)設(shè)置
        3.2.2 實(shí)驗(yàn)結(jié)果與分析
    3.3 本章小結(jié)
第4章 基于聯(lián)合學(xué)習(xí)特征表示與截?cái)嗤评淼母櫡椒?br>    4.1 基于背景感知的相關(guān)濾波器
    4.2 問題建模、網(wǎng)絡(luò)結(jié)構(gòu)與模型學(xué)習(xí)
    4.3 實(shí)現(xiàn)細(xì)節(jié)、實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)現(xiàn)細(xì)節(jié)
        4.3.2 與基準(zhǔn)方法的比較
        4.3.3 消除實(shí)驗(yàn)
        4.3.4 與當(dāng)前最優(yōu)秀的方法比較
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝



本文編號：3372957