計算機視覺中的相關(guān)濾波跟蹤和圖像質(zhì)量評價

第1章緒論(1)
1.1視頻目標檢測(1)
1.1.1域自適應算法和漸進自學習框架（2）
1.1.2基于域自適應學習的目標檢測（2）
1.2相關(guān)濾波跟蹤(3)
1.2.1基于多峰響應的抗遮擋相關(guān)濾波跟蹤方法（5）
1.2.2自適應特征選擇的相關(guān)濾波跟蹤方法（5）
1.2.3基于孿生神經(jīng)網(wǎng)絡(luò)的抗形變相關(guān)濾波目標跟蹤方法（6）
1.3圖像質(zhì)量評價(7)
1.3.1全參考圖像質(zhì)量評價方法簡介（7）
1.3.2半?yún)⒖紙D像質(zhì)量評價方法簡介（8）
1.3.3無參考圖像質(zhì)量評價方法簡介（9）
1.4本章小結(jié)(10)
第2章域自適應算法及漸進自學習框架(11)
2.1引言(11)
2.2基于語義對齊的域自適應算法(12)
2.2.1域自適應方法（12）
2.2.2基于深度學習的圖像語義提?。?5）
2.3視覺域適應中的語義一致性約束(17)
2.3.1CSTN網(wǎng)絡(luò)結(jié)構(gòu)（17）
2.3.2CSTN損失函數(shù)（18）
2.4基于CSTN的漸進自學習框架(20)
2.4.1背景建模算法（21）
2.4.2雙邊界YOLO檢測模型（23）
2.4.3在線漸進優(yōu)化算法（25）
2.5本章小結(jié)(26)
第3章基于域自適應學習的視頻目標檢測(28)
3.1引言(28)
3.2視頻目標檢測研究現(xiàn)狀(29)
3.2.1經(jīng)典視頻目標檢測（29）
3.2.2特定場景目標檢測（31）
3.2.3遷移學習（32）
3.2.4域自適應（33）
3.3神經(jīng)網(wǎng)絡(luò)和機器學習(33)
3.3.1神經(jīng)網(wǎng)絡(luò)的基本組成（33）
3.3.2損失函數(shù)與反向傳播（35）
3.3.3深度模型中的優(yōu)化（36）
3.4基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測框架(37)
3.4.1卷積神經(jīng)網(wǎng)絡(luò)的基本原理（37）
3.4.2目標檢測算法（39）
3.4.3YOLO（41）
3.5網(wǎng)絡(luò)架構(gòu)細節(jié)(43)
3.5.1網(wǎng)絡(luò)架構(gòu)（43）
3.5.2cycleGAN預訓練（43）
3.5.3超參數(shù)設(shè)置（43）
3.6實驗結(jié)果與分析(44)
3.6.1數(shù)據(jù)集與評價指標（44）
3.6.2行人檢測實驗（46）
3.7本章小結(jié)(55)
第4章基于多峰響應的抗遮擋相關(guān)濾波跟蹤(57)
4.1引言(57)
4.2目標跟蹤算法概述(59)
4.2.1基于傳統(tǒng)相關(guān)濾波框架跟蹤（60）
4.2.2基于尺度自適應的相關(guān)濾波跟蹤（61）
4.2.3基于深度學習的相關(guān)濾波跟蹤（62）
4.3核化相關(guān)濾波跟蹤算法(62)
4.3.1一維嶺回歸（63）
4.3.2循環(huán)矩陣（63）
4.3.3核相關(guān)濾波（65）
4.3.4目標快速檢測（67）
4.3.5尺度更新策略（67）
4.3.6模型更新（68）
4.4遮擋處理(69)
4.5數(shù)據(jù)集與評價指標(72)
4.5.1精度（72）
4.5.2成功率（72）
4.5.3一次通過性評估和魯棒性評估（73）
4.6實驗結(jié)果與實驗分析(73)
4.6.1實驗環(huán)境（74）
4.6.2實驗分析（74）
4.7本章小結(jié)(79)
第5章自適應特征選擇的相關(guān)濾波跟蹤(80)
5.1引言(80)
5.2傳統(tǒng)特征目標描述(82)
5.2.1顏色特征（82）
5.2.2梯度統(tǒng)計直方圖特征（83）
5.3深度特征目標描述(85)
5.3.1卷積核與卷積操作（85）
5.3.2卷積神經(jīng)網(wǎng)絡(luò)模型（86）
5.3.3深度特征提?。?7）
5.3.4融合深度特征（88）
5.4自適應特征選擇分析(90)
5.4.1傳統(tǒng)特征和深度特征跟蹤性能分析（90）
5.4.2自適應選擇特征（91）
5.5實驗結(jié)果分析(93)
5.5.1與單特征相關(guān)濾波跟蹤算法比較（93）
5.5.2與其他優(yōu)秀相關(guān)濾波跟蹤算法比較（94）
5.6本章小結(jié)(101)
第6章基于孿生神經(jīng)網(wǎng)絡(luò)的抗形變相關(guān)濾波跟蹤(102)
6.1引言(102)
6.2孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(104)
6.2.1相似度（104）
6.2.2孿生神經(jīng)網(wǎng)絡(luò)（105）
6.2.3損失函數(shù)計算（107）
6.3改進的孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(108)
6.3.1改進的方法（108）
6.3.2濾波層設(shè)計（109）
6.3.3反向傳播（110）
6.4孿生神經(jīng)網(wǎng)絡(luò)訓練(111)
6.5融合多核特征(112)
6.6實驗結(jié)果與分析(113)
6.7本章小結(jié)(119)
第7章全參考圖像質(zhì)量評價方法(120)
7.1引言(120)
7.2圖像質(zhì)量評價概述(121)
7.2.1圖像質(zhì)量評價應用（121）
7.2.2圖像質(zhì)量評價方法框架（122）
7.2.3全參考圖像質(zhì)量評價方法發(fā)展概況（126）
7.3基于結(jié)構(gòu)相似度的圖像質(zhì)量評價方法(126)
7.3.1基于誤差敏感度的圖像質(zhì)量評價方法（127）
7.3.2結(jié)構(gòu)相似度理論（128）
7.3.3結(jié)構(gòu)相似度特征圖譜（130）
7.4顯著性特征圖譜與結(jié)構(gòu)相似度相結(jié)合的評價方法(131)
7.4.1顯著性特征圖譜的定義（131）
7.4.2視覺顯著性特征圖譜與結(jié)構(gòu)相似度結(jié)合算法描述（132）
7.5實驗結(jié)果總結(jié)與分析(135)
7.5.1TID2008圖像數(shù)據(jù)庫簡介（135）
7.5.2KRCC和SRCC（135）
7.5.3實驗結(jié)果與說明（136）
7.6本章小結(jié)(147)
第8章半?yún)⒖紙D像質(zhì)量評價方法(149)
8.1引言(149)
8.1.1分類（150）
8.1.2研究重點（151）
8.1.3缺點（152）
8.2直方圖之間的EMD(152)
8.2.1傳統(tǒng)的EMD（152）
8.2.2基于權(quán)重的EMD（153）
8.3使用EMD的圖像質(zhì)量評價(154)
8.3.1基于SIFT特征局部EMD的圖像質(zhì)量評價（154）
8.3.2基于顯著性特征全局EMD的圖像質(zhì)量評價（155）
8.3.3圖像質(zhì)量的整體評價（156）
8.4實驗結(jié)果及評價(156)
8.5本章小結(jié)(159)
第9章無參考圖像質(zhì)量評價方法(161)
9.1引言(161)
9.2圖像質(zhì)量評價特征表示(163)
9.2.1尺度不變性特征變換（163）
9.2.2曲波變換（166）
9.2.3融合特征度量的實現(xiàn)（167）
9.3無參考圖像質(zhì)量預測(169)
9.3.1模糊化（170）
9.3.2分類（171）
9.3.3去模糊化（174）
9.4實驗結(jié)果與分析(174)
9.4.1數(shù)據(jù)庫介紹（174）
9.4.2評價指標（176）
9.4.3實驗結(jié)果與分析（177）
9.5本章小結(jié)(179)
參考文獻(181)