|
|
|
基于机器学习的可视目标跟踪研究 |
|
论文目录 |
|
摘要 | 第4-5页 | ABSTRACT | 第5页 | 第一章 绪论 | 第8-13页 | 1.1 研究背景及意义 | 第8页 | 1.2 可视目标跟踪方法研究现状 | 第8-10页 | 1.3 传统目标跟踪方法存在的问题 | 第10-11页 | 1.4 主要研究内容及结构安排 | 第11-13页 | 第二章 基础理论 | 第13-22页 | 2.1 基于机器学习的目标跟踪框架 | 第13页 | 2.2 机器学习数学模型 | 第13-14页 | 2.3 模型求解——凸优化 | 第14-15页 | 2.4 图模型 | 第15-17页 | 2.5 支持向量机 | 第17-20页 | 2.6 深度网络与深度学习 | 第20-21页 | 2.7 小结 | 第21-22页 | 第三章 基于三角剖分与改进SVM分类器的目标跟踪 | 第22-38页 | 3.1 引言 | 第22页 | 3.2 目标学习模型的研究与改进 | 第22-23页 | 3.3 图像预处理 | 第23-27页 | 3.3.1 LSD检测直线 | 第23-25页 | 3.3.2 构建三角剖分分割目标 | 第25-27页 | 3.4 目标特征提取 | 第27-29页 | 3.5 训练分类器 | 第29-30页 | 3.6 应用于目标跟踪的分类算法改进 | 第30-32页 | 3.7 跟踪结果分析 | 第32-35页 | 3.8 跟踪算法评价指标 | 第35-37页 | 3.9 本章小结 | 第37-38页 | 第四章 基于深度学习的TLD目标跟踪算法改进 | 第38-61页 | 4.1 引言 | 第38-39页 | 4.2 原始TLD算法 | 第39-44页 | 4.2.1 跟踪器 | 第39-41页 | 4.2.2 检测器 | 第41页 | 4.2.3 P-N学习 | 第41-43页 | 4.2.4 整合器 | 第43-44页 | 4.3 基于深度学习的目标跟踪算法改进 | 第44-49页 | 4.3.1 改进跟踪器 | 第46-47页 | 4.3.2 加权P-N学习 | 第47-48页 | 4.3.3 深度检测器 | 第48-49页 | 4.4 多层深度自编码器 | 第49-57页 | 4.4.1 深度自编码器网络结构 | 第51-52页 | 4.4.2 深度自编码器构建过程 | 第52-53页 | 4.4.3 自编码器网络预训练 | 第53-54页 | 4.4.4 自编码过程 | 第54-55页 | 4.4.5 逐层学习微调 | 第55-57页 | 4.5 实验结果 | 第57-60页 | 4.6 本章小结 | 第60-61页 | 第五章 总结与展望 | 第61-62页 | 5.1 论文总结 | 第61页 | 5.2 工作展望 | 第61-62页 | 致谢 | 第62-63页 | 参考文献 | 第63-65页 | 攻读学位期间取得的研究成果 | 第65页 |
|
|
|
|
论文编号BS3016698,这篇论文共65页 会员购买按0.35元/页下载,共需支付22.75元。 直接购买按0.5元/页下载,共需要支付32.5元 。 |
|
|
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|