基于分割加权网络的行人再识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景及研究的目的和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 基于传统机器学习的方法 | 第13页 |
| 1.2.2 关于深度卷积网络的研究 | 第13-14页 |
| 1.2.3 关于图像特征提取的研究 | 第14-15页 |
| 1.2.4 关于图像特征权重的研究 | 第15页 |
| 1.3 研究难点与问题 | 第15-16页 |
| 1.4 结构安排和主要内容 | 第16-17页 |
| 第2章 深度学习基础知识 | 第17-31页 |
| 2.1 深度学习发展历程 | 第17-18页 |
| 2.2 神经网络基本结构 | 第18-20页 |
| 2.3 损失函数 | 第20-21页 |
| 2.4 反向传播机制 | 第21-24页 |
| 2.4.1 反向传播算法原理 | 第21-23页 |
| 2.4.2 批量梯度下降算法 | 第23-24页 |
| 2.5 过拟合和欠拟合 | 第24-25页 |
| 2.6 深度卷积神经网络基本概念 | 第25-29页 |
| 2.6.1 局部感知 | 第26页 |
| 2.6.2 权重共享 | 第26-27页 |
| 2.6.3 多核卷积 | 第27页 |
| 2.6.4 池化操作 | 第27-29页 |
| 2.7 深度学习框架相关介绍 | 第29-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第3章 行人图像处理及关键点检测技术 | 第31-44页 |
| 3.1 图像预处理 | 第31-35页 |
| 3.1.1 数据筛选 | 第31-32页 |
| 3.1.2 镜像翻转 | 第32页 |
| 3.1.3 通道转换 | 第32-33页 |
| 3.1.4 特征缩放 | 第33-34页 |
| 3.1.5 乱序读取 | 第34-35页 |
| 3.2 关键点检测在行人再识别中的应用 | 第35-36页 |
| 3.3 基于关键点检测的行人图像分割 | 第36-43页 |
| 3.3.1 行人图像分割 | 第36-37页 |
| 3.3.2 改进的单人关键点检测网络 | 第37-39页 |
| 3.3.3 划分并提取头部ROI | 第39-40页 |
| 3.3.4 划分并提取躯干ROI | 第40-41页 |
| 3.3.5 划分并提取下肢ROI | 第41-42页 |
| 3.3.6 方法分析 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于分割加权网络的行人再识别 | 第44-58页 |
| 4.1 行人再识别研究框架 | 第44-45页 |
| 4.2 分割加权网络 | 第45-50页 |
| 4.2.1 分割加权网络流程 | 第45-46页 |
| 4.2.2 Inception-V3 网络结构 | 第46-48页 |
| 4.2.3 特征加权模块 | 第48-50页 |
| 4.3 网络模型训练过程 | 第50-55页 |
| 4.3.1 训练过程 | 第50-51页 |
| 4.3.2 学习率策略 | 第51-52页 |
| 4.3.3 权重初始化 | 第52-53页 |
| 4.3.4 随机梯度下降 | 第53页 |
| 4.3.5 K折交叉验证 | 第53-54页 |
| 4.3.6 三重损失 | 第54-55页 |
| 4.4 网络模型测试过程 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第5章 实验及性能分析 | 第58-71页 |
| 5.1 实验环境 | 第58页 |
| 5.2 数据集 | 第58-60页 |
| 5.2.1 Market1501 | 第58-59页 |
| 5.2.2 DukeMTMC-reID | 第59-60页 |
| 5.3 性能指标 | 第60-61页 |
| 5.3.1 累计匹配曲线(CMC) | 第60-61页 |
| 5.3.2 平均均值准确率(mAP) | 第61页 |
| 5.4 实验与分析 | 第61-70页 |
| 5.4.1 损失函数曲线 | 第61-63页 |
| 5.4.2 不同特征组合对实验结果的影响 | 第63-66页 |
| 5.4.3 加权操作对实验结果的影响 | 第66-68页 |
| 5.4.4 分割加权网络和其他先进算法的性能对比 | 第68-70页 |
| 5.5 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第79-80页 |
| 致谢 | 第80页 |
