| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题研究的背景和意义 | 第8-10页 |
| 1.1.1 课题介绍与研究背景 | 第8-10页 |
| 1.1.2 课题研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 特征提取 | 第10-12页 |
| 1.2.2 距离度量 | 第12-13页 |
| 1.3 本文主要研究的内容及创新点 | 第13-14页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 创新点 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第2章 行人重识别技术的相关研究 | 第16-31页 |
| 2.1 卷积神经网络简介 | 第16页 |
| 2.2 CNN基本结构概述 | 第16-20页 |
| 2.3 几种网络模型结构分析 | 第20-27页 |
| 2.3.1 AlexNet,VGG和 GoogleNet | 第21-22页 |
| 2.3.2 ResNet | 第22-25页 |
| 2.3.3 DenseNet | 第25-27页 |
| 2.4 网络训练中的损失函数 | 第27-31页 |
| 2.4.1 Siamese网络与对比损失函数 | 第27-29页 |
| 2.4.2 三元对损失 | 第29-31页 |
| 第3章 基于DCGAN和 Siamese的改进行人重识别 | 第31-45页 |
| 3.1 总体框架 | 第31页 |
| 3.2 生成对抗网络原理 | 第31-32页 |
| 3.3 生成样本方法 | 第32-33页 |
| 3.4 训练网络 | 第33-34页 |
| 3.5 标注平滑归一化损失函数 | 第34-38页 |
| 3.6 实验结果 | 第38-44页 |
| 3.6.1 数据集选取 | 第38-40页 |
| 3.6.2 训练与测试过程 | 第40-42页 |
| 3.6.3 评估指标 | 第42-43页 |
| 3.6.4 结果对比与分析 | 第43-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第4章 基于CLSR和 PCB的改进行人重识别 | 第45-63页 |
| 4.1 总体框架 | 第45页 |
| 4.2 基于K-means聚类的DCGAN方法 | 第45-49页 |
| 4.2.1 K-means图像聚类算法 | 第45-47页 |
| 4.2.2 类别m值的选取 | 第47-48页 |
| 4.2.3 K-means图像聚类实验过程 | 第48-49页 |
| 4.3 基于局部分块卷积的行人重识别训练方法 | 第49-50页 |
| 4.4 聚类标注平滑归一化损失函数 | 第50-52页 |
| 4.5 其他优化方法 | 第52-54页 |
| 4.5.1 随机擦除数据增强方法 | 第52-53页 |
| 4.5.2 行人重识别的重排序方法 | 第53-54页 |
| 4.6 基准模型(Baseline) | 第54-55页 |
| 4.7 实验细节 | 第55-57页 |
| 4.7.1 CUHK03 数据集的测试更改 | 第55-56页 |
| 4.7.2 实验参数设置 | 第56-57页 |
| 4.8 实验结果对比与分析 | 第57-62页 |
| 4.8.1 CLSR与 LSRO方法对比 | 第57-58页 |
| 4.8.2 方法性能评估 | 第58-62页 |
| 4.9 本章小结 | 第62-63页 |
| 第5章 论文总结与展望 | 第63-65页 |
| 5.1 论文总结 | 第63-64页 |
| 5.2 进一步的研究内容与展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 附录 攻读硕士学位期间研究成果 | 第71页 |