在視頻目標跟蹤技術(shù)中,精度和速度是衡量復雜環(huán)境下跟蹤算法性能的兩個重要指標。近年來,相比于傳統(tǒng)目標跟蹤算法,深度學習模型因其強大的特征提取能力對跟蹤精度的提升做出了突破性的貢獻,但其跟蹤速度較慢。最近,有學者將深度強化學習應用到視頻目標跟蹤技術(shù)中,其在速度方面相比于深度學習目標跟蹤算法得到了改善,但精度略差于深度學習目標跟蹤算法。跟蹤精度和跟蹤速度相互制約的問題是現(xiàn)有的深度學習及深度強化學習視頻目標跟蹤算法面臨的主要挑戰(zhàn)�；诖�,本文對深度學習以及深度強化學習在視頻目標跟蹤中的應用進行了比較性研究,主要工作如下:（1）系統(tǒng)全面的綜述了深度學習及深度強化學習在視頻目標跟蹤技術(shù)中的研究現(xiàn)狀并指出了各類方法的優(yōu)缺點。首先,針對現(xiàn)有的依賴于離線訓練的深度學習目標跟蹤算法在在線跟蹤過程中精度和速度相互制約的問題,按照不同的解決思路,將其分為有在線微調(diào)和無在線微調(diào)的深度學習跟蹤兩大類,并分析了各類方法的優(yōu)缺點。其次,針對現(xiàn)有的深度強化學習目標跟蹤算法,按照強化學習的不同作用,將其分為以強化學習決策目標位置的跟蹤和以強化學習預測目標位置的跟蹤兩大類,并對其進行了總結(jié)分析。（2）針對利用非跟蹤數(shù)據(jù)集離... 

【文章來源】：西安理工大學陜西省

【文章頁數(shù)】：93 頁

【學位級別】：碩士

【部分圖文】：

VGGNet-19模型特征可視化結(jié)果;

圖 2-6 VGGNet-19 模型特征可視化結(jié)果Fig.2-6 Results of features visualization for VGGNet-19圖 2-6 中，從左往右，從上往下，代表卷積層更深的方向。從圖 2-6 的特征可視果可以看出，較淺層的卷積保留了輸入圖像更多的空間特性。對于視頻目標跟蹤而淺層的空間特征就足以對目標外觀模型進行有效的表達，同時考慮到跟蹤速度的要標跟蹤不適于用太深層的網(wǎng)絡。由此可以得出，利用淺層的卷積神經(jīng)網(wǎng)絡在實現(xiàn)較高的目標跟蹤任務同時可以有效的提高跟蹤速度。本文研究并實現(xiàn)的目標跟蹤算法使是淺層的卷積神經(jīng)網(wǎng)絡。2.5 本章小結(jié)本章首先以 LeNet-5 為基礎(chǔ)，詳細介紹了傳統(tǒng)的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)以及訓練過接著深入研究了幾種典型的深度卷積神經(jīng)網(wǎng)絡模型，分析了它們之間的異同。最后VGGNet-19 模型為基礎(chǔ)，實現(xiàn)了卷積神經(jīng)網(wǎng)絡特征圖可視化的實驗，實驗結(jié)果表明層網(wǎng)絡可以保留更多的圖像空間信息，其有利于實現(xiàn)更加精確的目標定位，同時考慮層網(wǎng)絡有利于跟蹤速度的提升。由此得出，較淺層的卷積神經(jīng)網(wǎng)絡更適合于目標跟蹤

迷宮游戲環(huán)境示意圖

【參考文獻】：
期刊論文
[1]基于值函數(shù)和策略梯度的深度強化學習綜述[J]. 劉建偉,高峰,羅雄麟.  計算機學報. 2019(06)
[2]深度強化學習研究綜述[J]. 趙星宇,丁世飛.  計算機科學. 2018(07)
[3]基于堆棧式消噪自編碼機的分塊目標跟蹤（英文）[J]. 戴鉑,侯志強,余旺盛,李明,王鑫,金澤芬芬.  控制理論與應用. 2017(06)
[4]深度學習相關(guān)研究綜述[J]. 張軍陽,王慧麗,郭陽,扈嘯.  計算機應用研究. 2018(07)
[5]基于深度學習的目標跟蹤方法研究現(xiàn)狀與展望[J]. 羅海波,許凌云,惠斌,常錚.  紅外與激光工程. 2017(05)
[6]深度強化學習綜述[J]. 劉全,翟建偉,章宗長,鐘珊,周倩,章鵬,徐進.  計算機學報. 2018(01)
[7]深度學習在視頻目標跟蹤中的應用進展與展望[J]. 管皓,薛向陽,安志勇.  自動化學報. 2016(06)
[8]強化學習研究綜述[J]. 高陽,陳世福,陸鑫.  自動化學報. 2004(01)

碩士論文
[1]視頻圖像運動目標跟蹤技術(shù)的研究[D]. 陳遠祥.江蘇大學 2010



本文編號：3558198