基于深度学习的行人再识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 课题研究背景及意义 | 第16-20页 |
| 1.2 国内外研究方法及现状 | 第20-23页 |
| 1.3 行人再识别研究的难点与挑战 | 第23-25页 |
| 1.4 论文组织结构 | 第25-28页 |
| 第二章 深度神经网络 | 第28-52页 |
| 2.1 感知器 | 第29-33页 |
| 2.1.1 单层感知器 | 第29-30页 |
| 2.1.2 多层神经网络 | 第30-31页 |
| 2.1.3 激活函数 | 第31-33页 |
| 2.2 卷积神经网络 | 第33-40页 |
| 2.2.1 CNN与人工神经网络的区别 | 第34-35页 |
| 2.2.2 CNN的组成 | 第35-40页 |
| 2.3 深度学习框架 | 第40-41页 |
| 2.4 CNN网络模型 | 第41-49页 |
| 2.4.1LeNet-5 | 第42-43页 |
| 2.4.2 AlexNet | 第43-44页 |
| 2.4.3 VGGNet | 第44-47页 |
| 2.4.4 GoogLeNet | 第47页 |
| 2.4.5 ResNet | 第47-49页 |
| 2.5 小结 | 第49-52页 |
| 第三章 改进型Siamese网络及正样例采样方法 | 第52-68页 |
| 3.1 改进型Siamese网络结构 | 第52-54页 |
| 3.2 正样例采样方法 | 第54-56页 |
| 3.3 实验准备工作 | 第56-60页 |
| 3.3.1 网络结构及参数 | 第56-57页 |
| 3.3.2 实验平台简介 | 第57-58页 |
| 3.3.3 评价标准 | 第58-59页 |
| 3.3.4 相关数据库 | 第59-60页 |
| 3.4 实验结果与分析 | 第60-66页 |
| 3.4.1 特征增强 | 第60-63页 |
| 3.4.2 CMC结果与分析 | 第63-66页 |
| 3.5 本章小结 | 第66-68页 |
| 第四章 结合分类与验证模型的行人再识别研究 | 第68-80页 |
| 4.1 网络结构 | 第68-72页 |
| 4.1.1 分类模型与验证模型 | 第69页 |
| 4.1.2 分类与验证模型的相关研究方法 | 第69-70页 |
| 4.1.3 分类损失函数 | 第70-71页 |
| 4.1.4 验证损失函数 | 第71-72页 |
| 4.2 网络微调设计 | 第72页 |
| 4.3 参数设置 | 第72-75页 |
| 4.3.1 网络结构参数与数据集参数设定 | 第73-75页 |
| 4.3.2 网络测试 | 第75页 |
| 4.4 实验结果与分析 | 第75-78页 |
| 4.4.1 训练结果 | 第75-76页 |
| 4.4.2 不同模型测试结果 | 第76页 |
| 4.4.3 测试结果 | 第76-78页 |
| 4.5 本章小结 | 第78-80页 |
| 第五章 基于多尺度特征融合的行人再识别研究 | 第80-92页 |
| 5.1 多尺度网络结构 | 第80-83页 |
| 5.1.1 网络结构 | 第81-82页 |
| 5.1.2 空间池化操作 | 第82-83页 |
| 5.2 多尺度特征学习 | 第83-84页 |
| 5.2.1 单尺度分类函数 | 第83页 |
| 5.2.2 多尺度分类函数 | 第83-84页 |
| 5.3 网络模型优化 | 第84-85页 |
| 5.4 实验结果与分析 | 第85-91页 |
| 5.4.1 参数设置 | 第85-87页 |
| 5.4.2 训练结果 | 第87-89页 |
| 5.4.3 测试结果 | 第89-91页 |
| 5.5 本章小结 | 第91-92页 |
| 第六章 总结与展望 | 第92-96页 |
| 6.1 本文总结 | 第92-93页 |
| 6.2 展望 | 第93-96页 |
| 参考文献 | 第96-102页 |
| 致谢 | 第102-104页 |
| 作者简介 | 第104-105页 |
