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。基于單次學(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(duì)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(shì)。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(duì)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(duì)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(jí)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?jī)?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(píng)測(cè)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(jiǎn)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(hào)：3372957