基于深度学习的行人再识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 背景和意义 | 第10-12页 |
| 1.2 国内外研究现状及存在的问题 | 第12-15页 |
| 1.2.1 国内外研究现状 | 第12-14页 |
| 1.2.2 目前存在的问题 | 第14-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 相关基础理论 | 第18-34页 |
| 2.1 神经网络 | 第18-19页 |
| 2.1.1 神经元模型 | 第18页 |
| 2.1.2 感知机与多层网络 | 第18-19页 |
| 2.2 误差传播方式 | 第19-23页 |
| 2.2.1 前向传播 | 第19-20页 |
| 2.2.2 反向传播 | 第20-22页 |
| 2.2.3 过拟合与欠拟合 | 第22-23页 |
| 2.3 聚类 | 第23-25页 |
| 2.3.1 聚类任务 | 第23页 |
| 2.3.2 聚类任务的度量方法 | 第23-24页 |
| 2.3.3 聚类方法 | 第24-25页 |
| 2.4 深度卷积神经网络的基本概念 | 第25-26页 |
| 2.4.1 卷积与池化操作 | 第25-26页 |
| 2.4.2 局部连接与权值共享 | 第26页 |
| 2.4.3 损失函数 | 第26页 |
| 2.5 当前流行的深度学习网络 | 第26-33页 |
| 2.5.1 AlexNet | 第26-28页 |
| 2.5.2 VGG | 第28-29页 |
| 2.5.3 ResNet | 第29-30页 |
| 2.5.4 GoogLeNet | 第30-32页 |
| 2.5.5 DenseNet | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 基于深度学习的行人再识别 | 第34-48页 |
| 3.1 基于标签数据的行人再识别 | 第34-42页 |
| 3.1.1 算法框架概述 | 第34-35页 |
| 3.1.2 图像之间的相似性与分类互补 | 第35-38页 |
| 3.1.3 图像的差异性与相似性 | 第38-40页 |
| 3.1.4 图像空间上的连续性信息 | 第40-42页 |
| 3.2 基于无标签数据的行人再识别 | 第42-47页 |
| 3.2.1 算法实现流程 | 第42-43页 |
| 3.2.2 图像特征提取 | 第43-44页 |
| 3.2.3 非标签数据聚类 | 第44-46页 |
| 3.2.4 三元组构建与模型优化 | 第46-47页 |
| 3.2.5 图像对策略 | 第47页 |
| 3.3 本章小结 | 第47-48页 |
| 第4章 实验结果与分析 | 第48-62页 |
| 4.1 行人再识别的度量标准 | 第48-50页 |
| 4.1.1 CMC曲线 | 第48页 |
| 4.1.2 准确率-召回率曲线 | 第48-49页 |
| 4.1.3 MAP精度 | 第49页 |
| 4.1.4 loss与验证精度曲线 | 第49-50页 |
| 4.2 数据集简介 | 第50-51页 |
| 4.3 基于标签数据的算法测试结果 | 第51-57页 |
| 4.3.1 在Marketl501上的测试结果 | 第52-54页 |
| 4.3.2 在CUHK03上的测试结果 | 第54-55页 |
| 4.3.3 在dukeMTMC上的测试结果 | 第55-56页 |
| 4.3.4 在VIPER上的测试结果 | 第56-57页 |
| 4.4 基于无标签数据的算法性能评估 | 第57-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 在读期间发表的学术论文与取得的研究成果 | 第72页 |
