基于单次深度学习的目标跟踪方法研究

发布时间：2021-08-30 14:33

　　目标跟踪是计算机视觉中一个具有挑战性的任务。近些年来,随着深度学习技术的发展,基于单次深度学习的目标跟踪算法受到了人们的广泛关注。基于单次学习的目标跟踪方法指的是在离线训练的基础上,在在线跟踪的过程中不对模型调整,因此单次深度学习的目标跟踪算法较其他基于深度学习的跟踪方法在速度上有很大的优势。但是,在现在的单次深度学习算法中,大部分使用的都是较深层的特征,虽然深层的特征包含了更多的语义信息但是分辨率太低不利于目标的准确定位,这大大影响了深度跟踪算法的性能。在训练的过程中,存在着大量的容易样本,虽然它们产生的损失函数值较小,但是这些损失的累积可以主导梯度的更新方向进而影响训练的效率与效果。针对上述问题,受人类视觉机制的启发,本文设计了融合深度神经网络浅层与深层特征的两种方法,一种是将不同层的响应加权相加,另一种是基于自顶向下的特征融合模块,基于此获得对目标更加准确的表示。另外本文提出了在线困难样本挖掘以及基于合页损失（Hinge Loss）的容易样本处理方式,去从模型训练的角度提高模型的性能。在多个数据集上的实验结果结果验证了本文提出的多层特征融合以及容易样本处理方式的有效性,但是性能相... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景与研究意义
    1.2 国内外研究现状
        1.2.1 基于相关滤波器的方法
        1.2.2 基于深度卷积神经网络的方法
        1.2.3 多层特征相关的方法
    1.3 本文主要研究内容
第2章 基于多层特征融合的跟踪方法研究
    2.1 基于全卷积孪生网络的跟踪方法
    2.2 基于独立多层特征融合的跟踪方法
    2.3 基于自底向上特征融合的跟踪方法
    2.4 实现细节、实验结果与分析
        2.4.1 实现细节与评测标准
        2.4.2 与当前最优秀的方法比较
        2.4.3 跟踪速度比较
    2.5 本章小结
第3章 训练样本利用与单次学习方法的局限性分析
    3.1 简单/困难样本利用
        3.1.1 在线困难样本挖掘
        3.1.2 基于合页损失的容易样本处理
        3.1.3 实验结果与分析
    3.2 基于单次深度学习的跟踪方法局限性验证与分析
        3.2.1 人工标注实验设置
        3.2.2 实验结果与分析
    3.3 本章小结
第4章 基于联合学习特征表示与截断推理的跟踪方法
    4.1 基于背景感知的相关滤波器
    4.2 问题建模、网络结构与模型学习
    4.3 实现细节、实验结果与分析
        4.3.1 实现细节
        4.3.2 与基准方法的比较
        4.3.3 消除实验
        4.3.4 与当前最优秀的方法比较
    4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢



本文编号：3372957