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 |
