本文選題：機器視覺 + TensorFlow��； 參考：《激光與光電子學(xué)進展》2017年09期

【摘要】：訓(xùn)練模型復(fù)雜且訓(xùn)練集龐大導(dǎo)致深度學(xué)習(xí)的發(fā)展受到嚴重阻礙。使用Google最新開源的TensorFlow軟件平臺搭建了用于視頻目標跟蹤的深度學(xué)習(xí)模型。介紹了深度學(xué)習(xí)的原理和TensorFlow的平臺特性,提出了使用TensorFlow軟件平臺設(shè)計的深度學(xué)習(xí)模型框架結(jié)構(gòu),并使用VOT2015標準數(shù)據(jù)集中的數(shù)據(jù)設(shè)計了相應(yīng)的實驗。經(jīng)實驗驗證,該模型具有較高的計算效率和識別精度,并可便捷地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),快速找到最優(yōu)化模型,很好地完成視頻目標識別跟蹤任務(wù)。
[Abstract]:The complex training model and the huge training set seriously hinder the development of deep learning. A deep learning model for video target tracking is built using Google's latest open source TensorFlow software platform. This paper introduces the principle of deep learning and the platform characteristic of TensorFlow, and puts forward the frame structure of depth learning model designed with TensorFlow software platform, and designs the corresponding experiment using the data of VOT2015 standard data set. The experimental results show that the model has high computational efficiency and recognition accuracy, and can easily adjust the network structure, find the optimization model quickly, and complete the task of video target recognition and tracking.
【作者單位】： 中國人民解放軍軍械工程學(xué)院四系;
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前7條

1 單鑫;高月芳;;基于動物視頻的跟蹤算法評估與分析[J];現(xiàn)代計算機(專業(yè)版);2014年18期

2 周安;蔣輝;余晉剛;田金文;;基于字典學(xué)習(xí)的實時運動目標跟蹤算法[J];戰(zhàn)術(shù)導(dǎo)彈技術(shù);2014年04期

3 吳韜;曹潔;;基于動態(tài)多特征融合策略的粒子濾波跟蹤算法研究[J];自動化與儀器儀表;2014年04期

4 潘琢金;張恒彬;楊華;毛艷娥;;IMM目標跟蹤算法在DSP上的優(yōu)化與實現(xiàn)[J];計算機工程與設(shè)計;2014年06期

5 李方敏;姜娜;熊跡;張景源;;融合熱釋電紅外傳感器與視頻監(jiān)控器的多目標跟蹤算法[J];電子學(xué)報;2014年04期

6 張巧榮;張慧娟;;基于視覺注意機制的目標跟蹤方法[J];計算機工程與科學(xué);2014年08期

7 江曉蓮;李翠華;李雄宗;;基于視覺顯著性的兩階段采樣突變目標跟蹤算法[J];自動化學(xué)報;2014年06期

相關(guān)碩士學(xué)位論文 前3條

1 鄭午辰;基于移動設(shè)備交互式系統(tǒng)的設(shè)計與實現(xiàn)[D];電子科技大學(xué);2015年

2 王強;基于視頻序列的運動目標跟蹤方法研究[D];北京理工大學(xué);2015年

3 孫景偉;基于多特征結(jié)合的壓縮跟蹤[D];廣西師范大學(xué);2015年

，

本文編號：1875580