| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 相关工作介绍 | 第16-27页 |
| 2.1 神经网络 | 第16-18页 |
| 2.2 卷积神经网络 | 第18-22页 |
| 2.2.1 卷积神经网络各层分析 | 第18-20页 |
| 2.2.2 卷积神经网络训练过程 | 第20-22页 |
| 2.3 多任务深度学习 | 第22-23页 |
| 2.4 分类器训练 | 第23-26页 |
| 2.4.1 线性可分 | 第23-25页 |
| 2.4.2 多分类器融合算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于图像分割的多深度特征融合行人属性识别算法 | 第27-44页 |
| 3.1 算法概述 | 第27-29页 |
| 3.2 监控场景下行人特征表达 | 第29页 |
| 3.3 基于卷积神经网络的行人检测 | 第29-31页 |
| 3.4 基于多任务卷积神经网络的特征提取 | 第31-40页 |
| 3.4.1 基于DPM的行人图像分割 | 第32-34页 |
| 3.4.2 多任务行人属性识别卷积神经网络 | 第34-39页 |
| 3.4.3 行人整体和局部区域特征提取 | 第39-40页 |
| 3.5 基于识别结果的决策级融合方法设计 | 第40-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 实验设计与算法验证 | 第44-62页 |
| 4.1 交通监控场景行人属性数据集 | 第44-47页 |
| 4.1.1 数据采集 | 第45页 |
| 4.1.2 数据处理 | 第45-47页 |
| 4.2 基于Faster-R-CNN的行人检测 | 第47-48页 |
| 4.3 多任务卷积神经网络训练 | 第48-54页 |
| 4.3.1 图像分割阶段 | 第48-49页 |
| 4.3.2 网络模型训练 | 第49-54页 |
| 4.4 深度特征融合 | 第54-58页 |
| 4.4.1 深度特征提取 | 第54-56页 |
| 4.4.2 特征级联的融合方法实验 | 第56-57页 |
| 4.4.3 基于识别结果的决策级融合方法实验 | 第57-58页 |
| 4.5 实验结果对比分析 | 第58-61页 |
| 4.5.1 实验结果分析 | 第58-59页 |
| 4.5.2 实验对比 | 第59-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 工作总结 | 第62页 |
| 5.2 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间取得的研究成果 | 第69页 |