| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 目标检测 | 第11-12页 |
| 1.2.2 行人重识别 | 第12-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 相关理论与技术介绍 | 第16-30页 |
| 2.1 目标检测介绍 | 第16-25页 |
| 2.1.1 滑动窗口检测 | 第18-19页 |
| 2.1.2 .R-CNN(RegionwithConvolutionalNeuralNetworkFeature) | 第19-20页 |
| 2.1.3 空间金字塔池化 | 第20-22页 |
| 2.1.4 FastR-CNN | 第22-23页 |
| 2.1.5 FasterR-CNN | 第23页 |
| 2.1.6 实时检测算法 | 第23-25页 |
| 2.2 行人重识别简介 | 第25-28页 |
| 2.2.1 行人的特征表示 | 第25-26页 |
| 2.2.2 距离度量 | 第26-28页 |
| 2.3 端到端的行人重识别系统 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于监控场景的行人重识别算法的设计 | 第30-52页 |
| 3.1 算法框架描述 | 第31-34页 |
| 3.2 初始记忆单元 | 第34页 |
| 3.3 基于多次观察的行人检测 | 第34-41页 |
| 3.3.1 梯度消失问题 | 第35-37页 |
| 3.3.2 加入目标特征的LSTM | 第37-41页 |
| 3.4 注意力机制 | 第41-47页 |
| 3.4.1 HardAttention与SoftAttention | 第42-43页 |
| 3.4.2 glimpse | 第43-44页 |
| 3.4.3 循环注意力模型 | 第44-47页 |
| 3.5 训练策略 | 第47-48页 |
| 3.6 特征提取 | 第48-50页 |
| 3.7 算法的效率分析 | 第50-51页 |
| 3.8 本章小结 | 第51-52页 |
| 第四章 数据集及评测方法 | 第52-58页 |
| 4.1 数据集介绍 | 第52-56页 |
| 4.1.1 CUHK-SYSU数据集 | 第52-53页 |
| 4.1.2 PRW数据集 | 第53-56页 |
| 4.2 评价指标 | 第56页 |
| 4.3 实验设计 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 实验数据分析 | 第58-70页 |
| 5.1 实验环境 | 第58-59页 |
| 5.2 观察次数的影响 | 第59页 |
| 5.3 算法性能比较 | 第59-69页 |
| 5.3.1 检测器与识别器结合的性能 | 第59-64页 |
| 5.3.2 在CUHK-SYSU数据集上的性能 | 第64-67页 |
| 5.3.3 在PRW数据集上的性能 | 第67-69页 |
| 5.3.4 运行时间对比 | 第69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 本文总结 | 第70页 |
| 6.2 存在的问题与不足 | 第70-71页 |
| 6.3 未来工作展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |