首页--工业技术论文--无线电电子学、电信技术论文--电视论文--电视中心、电视设备论文--电视中心管理系统论文

视频监控中的行人再识别算法研究

摘要第5-7页
abstract第7-8页
第1章 绪论第12-30页
    1.1 研究背景及意义第12-13页
    1.2 行人再识别国内外研究现状第13-24页
        1.2.1 基于手工设计特征的方法第15-19页
        1.2.2 基于距离度量学习的方法第19-22页
        1.2.3 基于深度学习技术的方法第22-24页
    1.3 行人再识别存在的问题与困难第24-26页
    1.4 本文的主要研究内容及创新点第26-28页
    1.5 本文的章节安排第28-30页
第2章 行人再识别相关理论基础第30-46页
    2.1 深度神经网络算法第30-41页
        2.1.1 卷积神经网络第30-35页
        2.1.2 长短时记忆网络第35-37页
        2.1.3 生成式对抗网络第37-39页
        2.1.4 损失函数第39-41页
    2.2 评价指标和常用数据集第41-45页
        2.2.1 评价指标第41-42页
        2.2.2 常用数据集第42-45页
    2.3 本章小结第45-46页
第3章 基于外观信息的行人再识别第46-75页
    3.1 多尺度三元组卷积神经网络第46-63页
        3.1.1 引言第46-48页
        3.1.2 整体网络结构第48-49页
        3.1.3 深度卷积网络模型第49-51页
        3.1.4 损失函数和优化第51-55页
        3.1.5 三元组采样第55-56页
        3.1.6 实验结果与分析第56-62页
        3.1.7 方法小结第62-63页
    3.2 联合上下文及比较性注意力的卷积神经网络第63-75页
        3.2.1 引言第63-64页
        3.2.2 整体网络结构第64页
        3.2.3 联合全局-局部稠密网络第64-68页
        3.2.4 注意力感知比较网络第68-69页
        3.2.5 损失函数和优化第69-70页
        3.2.6 实验结果与分析第70-74页
        3.2.7 方法小结第74-75页
第4章 基于外观信息及语义属性的行人再识别第75-88页
    4.1 引言第75-77页
    4.2 整体网络结构第77-78页
    4.3 属性网络第78-79页
    4.4 外观网络第79-80页
    4.5 损失函数和优化第80-81页
    4.6 实验结果与分析第81-86页
        4.6.1 实验设置第81-83页
        4.6.2 实验性能对比第83页
        4.6.3 消融实验分析第83-86页
    4.7 方法小结第86-88页
第5章 基于外观和时序信息的行人再识别第88-100页
    5.1 引言第88-89页
    5.2 整体网络结构第89-92页
    5.3 损失函数和优化第92-94页
    5.4 实验结果与分析第94-98页
        5.4.1 实验设置第94页
        5.4.2 实验性能对比第94-96页
        5.4.3 消融实验分析第96-98页
    5.5 方法小结第98-100页
第6章 基于跨领域匹配的行人再识别第100-112页
    6.1 引言第100-102页
    6.2 问题阐述第102-103页
    6.3 转换网络第103-105页
    6.4 选择网络第105-106页
    6.5 特征学习第106页
    6.6 实验结果与分析第106-111页
        6.6.1 实验设置第106-107页
        6.6.2 实验性能对比第107-108页
        6.6.3 消融实验分析第108-111页
    6.7 方法小结第111-112页
第7章 总结与展望第112-115页
    7.1 本文工作总结第112-113页
    7.2 未来工作展望第113-115页
参考文献第115-128页
致谢第128-129页
在读期间发表的学术论文与取得的研究成果第129页

论文共129页,点击 下载论文
上一篇:农村老年高血压社会心理干预模式的理论构建和实证检验
下一篇:非一致失真度量下可逆信息隐藏模型及应用