現(xiàn)有視覺跟蹤算法主要使用獨(dú)立幀中目標(biāo)的視覺特征作為目標(biāo)表示。由于真實(shí)世界中跟蹤視頻的多樣性和復(fù)雜性,視覺特征的表示能力存在域差問題（即視覺特征在源域和目標(biāo)域中表現(xiàn)出不同的表示能力）,這限制了現(xiàn)有跟蹤器的性能。為了緩解域差問題的影響,現(xiàn)有跟蹤器從增強(qiáng)目標(biāo)表示和執(zhí)行在線學(xué)習(xí)這兩個(gè)方面來進(jìn)行目標(biāo)域自適應(yīng)。這些跟蹤器結(jié)合不同類型視覺特征來增強(qiáng)目標(biāo)表示,但較少有效利用目標(biāo)域中的空間結(jié)構(gòu)化信息和時(shí)域連貫性。這些跟蹤器在目標(biāo)域?qū)Ω櫮Ｐ瓦M(jìn)行在線學(xué)習(xí),促使特征提取器適應(yīng)目標(biāo)外觀,并且提升決策模塊對(duì)目標(biāo)表示的利用能力。但是,現(xiàn)有在線學(xué)習(xí)策略常遭遇過擬合問題,從而使決策模塊陷入局部關(guān)注,使特征提取器遺忘物體性信息。為了進(jìn)行有效的目標(biāo)域自適應(yīng),本文從增強(qiáng)目標(biāo)表示和改進(jìn)現(xiàn)有在線學(xué)習(xí)策略這兩方面,提出了四種解決方案:（1）采用空間結(jié)構(gòu)化信息來增強(qiáng)目標(biāo)表示,提出用于多目標(biāo)跟蹤的結(jié)構(gòu)與外觀保持網(wǎng)絡(luò)流算法。（2）納入時(shí)域連貫性來豐富目標(biāo)表示,提出用于視覺跟蹤的循環(huán)記憶激活網(wǎng)絡(luò)。（3）提出往復(fù)式學(xué)習(xí)算法來進(jìn)行注意力約束,基于此算法的深度注意跟蹤器能夠避免因過擬合而導(dǎo)致的局部關(guān)注問題。（4）提出用于視覺跟蹤的物體性遷移網(wǎng)... 

【文章頁數(shù)】：123 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 研究進(jìn)展
        1.2.2 存在的挑戰(zhàn)
        1.2.3 常用數(shù)據(jù)集及性能評(píng)估
    1.3 論文的主要工作和研究成果
    1.4 論文的結(jié)構(gòu)安排
第二章 視覺跟蹤相關(guān)關(guān)鍵技術(shù)
    2.1 多目標(biāo)跟蹤算法
        2.1.1 基于網(wǎng)絡(luò)流的多目標(biāo)跟蹤算法
        2.1.2 納入通用單目標(biāo)跟蹤的多目標(biāo)跟蹤算法
    2.2 通用單目標(biāo)跟蹤算法
        2.2.1 基于Siamese網(wǎng)絡(luò)的跟蹤器
        2.2.2 基于一步回歸框架的跟蹤器
        2.2.3 基于兩步分類框架的跟蹤器
    2.3 本章小結(jié)
第三章 多目標(biāo)跟蹤中的結(jié)構(gòu)與外觀保持網(wǎng)絡(luò)流算法
    3.1 引言
    3.2 相關(guān)工作
        3.2.1 外觀保持網(wǎng)絡(luò)流算法
        3.2.2 納入成對(duì)空間結(jié)構(gòu)信息的算法
    3.3 結(jié)構(gòu)與外觀保持網(wǎng)絡(luò)流算法
        3.3.1 網(wǎng)絡(luò)流
        3.3.2 CRF模型
    3.4 執(zhí)行過程
    3.5 實(shí)驗(yàn)及實(shí)驗(yàn)分析
        3.5.1 數(shù)據(jù)集
        3.5.2 跟蹤性能
    3.6 本章小結(jié)
第四章 視覺跟蹤中的循環(huán)記憶激活網(wǎng)絡(luò)
    4.1 引言
    4.2 相關(guān)工作
        4.2.1 視覺跟蹤
        4.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
    4.3 提出的算法
        4.3.1 循環(huán)記憶激活網(wǎng)絡(luò)
        4.3.2 時(shí)域連貫損失
        4.3.3 可視化
    4.4 跟蹤過程
        4.4.1 模型初始化
        4.4.2 在線檢測(cè)
        4.4.3 模型更新
    4.5 實(shí)驗(yàn)以及實(shí)驗(yàn)分析
        4.5.1 實(shí)驗(yàn)設(shè)置
        4.5.2 評(píng)估指標(biāo)
        4.5.3 消融研究
        4.5.4 總體表現(xiàn)
    4.6 本章小結(jié)
第五章 基于往復(fù)式學(xué)習(xí)的深度注意跟蹤
    5.1 引言
    5.2 相關(guān)工作
        5.2.1 視覺跟蹤
        5.2.2 視覺注意力
    5.3 提出的算法
        5.3.1 注意力開發(fā)
        5.3.2 注意力正則
        5.3.3 往復(fù)式學(xué)習(xí)
    5.4 跟蹤過程
        5.4.1 模型初始化
        5.4.2 在線檢測(cè)
        5.4.3 模型更新
    5.5 實(shí)驗(yàn)以及實(shí)驗(yàn)分析
        5.5.1 實(shí)驗(yàn)設(shè)置
        5.5.2 評(píng)估指標(biāo)
        5.5.3 消融研究
        5.5.4 總體表現(xiàn)
    5.6 本章小結(jié)
第六章 視覺跟蹤中的物體性遷移網(wǎng)絡(luò)
    6.1 引言
    6.2 相關(guān)工作
        6.2.1 深度跟蹤器
        6.2.2 遷移學(xué)習(xí)
    6.3 提出的算法
        6.3.1 物體性遷移網(wǎng)絡(luò)
        6.3.2 目標(biāo)函數(shù)
        6.3.3 可視化
    6.4 跟蹤過程
        6.4.1 網(wǎng)絡(luò)設(shè)置
        6.4.2 離線訓(xùn)練
        6.4.3 模型初始化
        6.4.4 在線檢測(cè)
        6.4.5 模型更新
    6.5 實(shí)驗(yàn)以及實(shí)驗(yàn)分析
        6.5.1 超參數(shù)設(shè)置
        6.5.2 評(píng)估指標(biāo)
        6.5.3 消融研究
        6.5.4 總體表現(xiàn)
    6.6 本章小節(jié)
第七章 總結(jié)與展望
    7.1 工作總結(jié)
    7.2 研究展望
附錄 縮略語表
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄



本文編號(hào)：3677459