| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 行人再识别 | 第11-12页 |
| 1.2.2 生成对抗网络 | 第12-13页 |
| 1.2.3 基于对抗学习的行人图像生成 | 第13-14页 |
| 1.3 本文研究内容及结构安排 | 第14-16页 |
| 1.3.1 本文研究内容 | 第14页 |
| 1.3.2 论文结构安排 | 第14-16页 |
| 第二章 行人再识别技术的相关介绍 | 第16-29页 |
| 2.1 卷积神经网络 | 第16-20页 |
| 2.2 生成对抗网络 | 第20-22页 |
| 2.3 度量学习方法 | 第22-25页 |
| 2.4 重排序 | 第25-26页 |
| 2.5 行人再识别公共数据集和评价指标 | 第26-28页 |
| 2.5.1 行人再识别数据集 | 第26-27页 |
| 2.5.2 评价指标 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于Siamese卷积神经网络和重排序的行人再识别 | 第29-37页 |
| 3.1 引言 | 第29页 |
| 3.2 Siamese网络 | 第29-30页 |
| 3.3 重排序算法原理 | 第30-32页 |
| 3.3.1 k互近邻的构建 | 第30-31页 |
| 3.3.2 Jaccard距离 | 第31-32页 |
| 3.4 网络整体结构 | 第32-33页 |
| 3.5 实验结果 | 第33-36页 |
| 3.5.1 训练与测试过程 | 第33-35页 |
| 3.5.2 结果对比与分析 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于姿势引导生成对抗网络的行人再识别 | 第37-43页 |
| 4.1 引言 | 第37-38页 |
| 4.2 整体网络结构 | 第38-39页 |
| 4.3 含有多个判别器的生成对抗网络(GAN) | 第39-41页 |
| 4.3.1 身份判别器 | 第40页 |
| 4.3.2 姿势判别器 | 第40-41页 |
| 4.4 重建损失 | 第41页 |
| 4.5 姿势损失 | 第41-42页 |
| 4.6 整体训练方案 | 第42页 |
| 4.7 本章小结 | 第42-43页 |
| 第五章 结果与分析 | 第43-53页 |
| 5.1 实验平台与数据集 | 第43-44页 |
| 5.1.1 实验平台 | 第43页 |
| 5.1.2 实验数据集和评价指标 | 第43-44页 |
| 5.2 实验设置 | 第44-45页 |
| 5.3 公共数据集测试结果与分析 | 第45-47页 |
| 5.3.1 消融实验分析 | 第45-46页 |
| 5.3.2 与现有技术的比较 | 第46-47页 |
| 5.4 PG-GAN的图像生成能力 | 第47-48页 |
| 5.5 真实视频监控系统下的实战效果 | 第48-52页 |
| 5.5.1 视频监控系统介绍 | 第49-50页 |
| 5.5.2 实际测试结果 | 第50-52页 |
| 5.6 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 研究工作总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录1 攻读硕士学位期间申请的专利 | 第60-61页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第61-62页 |
| 致谢 | 第62页 |