基于深度学习的目标跟踪算法研究

doi:0417C7901254F09AF7A17846D3DA5E0F

	基于深度学习的目标跟踪算法研究
	梁浩(Hawkeye Liang)
学位类型	硕士
导师	刘岩俊
	2019-06-01
学位授予单位	中国科学院大学(中国科学院长春光学精密机械与物理研究所)
学位授予地点	中国科学院大学(中国科学院长春光学精密机械与物理研究所)
关键词	深度学习目标跟踪孪生神经网络再检测机制多层特征融合
摘要	在过去的几十年中,计算机视觉和多媒体理解成为计算机科学的重要研究领域。同时,移动目标的视觉跟踪作为计算机视觉中最重要的应用之一,成为当下研究的一个热点。尽管目前在该领域已经取得了很多进展,但由于遮挡、光照变化、目标形变等诸多原因,目标跟踪仍被普遍认为是一项非常有挑战性的任务。随着以深度学习为核心的第三次人工智能浪潮的兴起,深度学习凭借其强大的解决问题的能力,突破了计算机视觉和自然语言处理的一系列挑战。随着数据规模的不断增长,深度学习在目标检测,图像分类等方面取得了重大的成果。近几年,基于深度学习的目标跟踪算法也逐渐被提出,使得目标跟踪领域迎来了重大突破。本文专注于基于深度学习的目标跟踪算法。首先,本文回顾了近几年应用了深度学习的主流目标跟踪算法,主要包括基于CNN特征和相关滤波的目标跟踪以及基于端到端神经网络的目标跟踪。然后,为了平衡跟踪速度和跟踪精度,本文以全卷积孪生神经网络SiamFC算法为切入点,根据算法中存在的问题,从跟踪策略和网络结构两方面做了改进。在跟踪策略方面,本文引入了再检测机制,并通过使用生成式的模型构建模板和高置信度的模型更新策略,提升了算法的判别能力。在网络结构方面,通过使用深度更深的ResNet18来代替AlexNet,并且融合了多层特征,可以更加精准的对目标进行定位。在公开数据集上的测试及和其他算法的对比,表明了改进算法的优异性能。
页数	78
DOI	0417C7901254F09AF7A17846D3DA5E0F
语种	中文
引用统计
文献类型	学位论文
条目标识符	http://ir.ciomp.ac.cn/handle/181722/63964
专题	中科院长春光机所知识产出
推荐引用方式 GB/T 7714	梁浩(Hawkeye Liang). 基于深度学习的目标跟踪算法研究[D]. 中国科学院大学(中国科学院长春光学精密机械与物理研究所). 中国科学院大学(中国科学院长春光学精密机械与物理研究所),2019.

条目包含的文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
基于深度学习的目标跟踪算法研究.caj（7617KB）	学位论文		开放获取	CC BY-NC-SA	请求全文