视觉跟踪中的目标域自适应
发布时间：2022-08-13 17:34
现有视觉跟踪算法主要使用独立帧中目标的视觉特征作为目标表示。由于真实世界中跟踪视频的多样性和复杂性,视觉特征的表示能力存在域差问题（即视觉特征在源域和目标域中表现出不同的表示能力）,这限制了现有跟踪器的性能。为了缓解域差问题的影响,现有跟踪器从增强目标表示和执行在线学习这两个方面来进行目标域自适应。这些跟踪器结合不同类型视觉特征来增强目标表示,但较少有效利用目标域中的空间结构化信息和时域连贯性。这些跟踪器在目标域对跟踪模型进行在线学习,促使特征提取器适应目标外观,并且提升决策模块对目标表示的利用能力。但是,现有在线学习策略常遭遇过拟合问题,从而使决策模块陷入局部关注,使特征提取器遗忘物体性信息。为了进行有效的目标域自适应,本文从增强目标表示和改进现有在线学习策略这两方面,提出了四种解决方案:（1）采用空间结构化信息来增强目标表示,提出用于多目标跟踪的结构与外观保持网络流算法。（2）纳入时域连贯性来丰富目标表示,提出用于视觉跟踪的循环记忆激活网络。（3）提出往复式学习算法来进行注意力约束,基于此算法的深度注意跟踪器能够避免因过拟合而导致的局部关注问题。（4）提出用于视觉跟踪的物体性迁移网...
【文章页数】：123 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号对照表
第一章 绪论
1.1 研究背景及意义
1.2 研究现状
1.2.1 研究进展
1.2.2 存在的挑战
1.2.3 常用数据集及性能评估
1.3 论文的主要工作和研究成果
1.4 论文的结构安排
第二章 视觉跟踪相关关键技术
2.1 多目标跟踪算法
2.1.1 基于网络流的多目标跟踪算法
2.1.2 纳入通用单目标跟踪的多目标跟踪算法
2.2 通用单目标跟踪算法
2.2.1 基于Siamese网络的跟踪器
2.2.2 基于一步回归框架的跟踪器
2.2.3 基于两步分类框架的跟踪器
2.3 本章小结
第三章 多目标跟踪中的结构与外观保持网络流算法
3.1 引言
3.2 相关工作
3.2.1 外观保持网络流算法
3.2.2 纳入成对空间结构信息的算法
3.3 结构与外观保持网络流算法
3.3.1 网络流
3.3.2 CRF模型
3.4 执行过程
3.5 实验及实验分析
3.5.1 数据集
3.5.2 跟踪性能
3.6 本章小结
第四章 视觉跟踪中的循环记忆激活网络
4.1 引言
4.2 相关工作
4.2.1 视觉跟踪
4.2.2 循环神经网络
4.3 提出的算法
4.3.1 循环记忆激活网络
4.3.2 时域连贯损失
4.3.3 可视化
4.4 跟踪过程
4.4.1 模型初始化
4.4.2 在线检测
4.4.3 模型更新
4.5 实验以及实验分析
4.5.1 实验设置
4.5.2 评估指标
4.5.3 消融研究
4.5.4 总体表现
4.6 本章小结
第五章 基于往复式学习的深度注意跟踪
5.1 引言
5.2 相关工作
5.2.1 视觉跟踪
5.2.2 视觉注意力
5.3 提出的算法
5.3.1 注意力开发
5.3.2 注意力正则
5.3.3 往复式学习
5.4 跟踪过程
5.4.1 模型初始化
5.4.2 在线检测
5.4.3 模型更新
5.5 实验以及实验分析
5.5.1 实验设置
5.5.2 评估指标
5.5.3 消融研究
5.5.4 总体表现
5.6 本章小结
第六章 视觉跟踪中的物体性迁移网络
6.1 引言
6.2 相关工作
6.2.1 深度跟踪器
6.2.2 迁移学习
6.3 提出的算法
6.3.1 物体性迁移网络
6.3.2 目标函数
6.3.3 可视化
6.4 跟踪过程
6.4.1 网络设置
6.4.2 离线训练
6.4.3 模型初始化
6.4.4 在线检测
6.4.5 模型更新
6.5 实验以及实验分析
6.5.1 超参数设置
6.5.2 评估指标
6.5.3 消融研究
6.5.4 总体表现
6.6 本章小节
第七章 总结与展望
7.1 工作总结
7.2 研究展望
附录 缩略语表
参考文献
致谢
攻读学位期间发表的学术论文目录
本文编号：3677459
【文章页数】：123 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号对照表
第一章 绪论
1.1 研究背景及意义
1.2 研究现状
1.2.1 研究进展
1.2.2 存在的挑战
1.2.3 常用数据集及性能评估
1.3 论文的主要工作和研究成果
1.4 论文的结构安排
第二章 视觉跟踪相关关键技术
2.1 多目标跟踪算法
2.1.1 基于网络流的多目标跟踪算法
2.1.2 纳入通用单目标跟踪的多目标跟踪算法
2.2 通用单目标跟踪算法
2.2.1 基于Siamese网络的跟踪器
2.2.2 基于一步回归框架的跟踪器
2.2.3 基于两步分类框架的跟踪器
2.3 本章小结
第三章 多目标跟踪中的结构与外观保持网络流算法
3.1 引言
3.2 相关工作
3.2.1 外观保持网络流算法
3.2.2 纳入成对空间结构信息的算法
3.3 结构与外观保持网络流算法
3.3.1 网络流
3.3.2 CRF模型
3.4 执行过程
3.5 实验及实验分析
3.5.1 数据集
3.5.2 跟踪性能
3.6 本章小结
第四章 视觉跟踪中的循环记忆激活网络
4.1 引言
4.2 相关工作
4.2.1 视觉跟踪
4.2.2 循环神经网络
4.3 提出的算法
4.3.1 循环记忆激活网络
4.3.2 时域连贯损失
4.3.3 可视化
4.4 跟踪过程
4.4.1 模型初始化
4.4.2 在线检测
4.4.3 模型更新
4.5 实验以及实验分析
4.5.1 实验设置
4.5.2 评估指标
4.5.3 消融研究
4.5.4 总体表现
4.6 本章小结
第五章 基于往复式学习的深度注意跟踪
5.1 引言
5.2 相关工作
5.2.1 视觉跟踪
5.2.2 视觉注意力
5.3 提出的算法
5.3.1 注意力开发
5.3.2 注意力正则
5.3.3 往复式学习
5.4 跟踪过程
5.4.1 模型初始化
5.4.2 在线检测
5.4.3 模型更新
5.5 实验以及实验分析
5.5.1 实验设置
5.5.2 评估指标
5.5.3 消融研究
5.5.4 总体表现
5.6 本章小结
第六章 视觉跟踪中的物体性迁移网络
6.1 引言
6.2 相关工作
6.2.1 深度跟踪器
6.2.2 迁移学习
6.3 提出的算法
6.3.1 物体性迁移网络
6.3.2 目标函数
6.3.3 可视化
6.4 跟踪过程
6.4.1 网络设置
6.4.2 离线训练
6.4.3 模型初始化
6.4.4 在线检测
6.4.5 模型更新
6.5 实验以及实验分析
6.5.1 超参数设置
6.5.2 评估指标
6.5.3 消融研究
6.5.4 总体表现
6.6 本章小节
第七章 总结与展望
7.1 工作总结
7.2 研究展望
附录 缩略语表
参考文献
致谢
攻读学位期间发表的学术论文目录
本文编号：3677459
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3677459.html