| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 行人再辨识领域研究现状 | 第11-16页 |
| 1.2.1 基于人工设计特征的行人再辨识方法 | 第11-14页 |
| 1.2.2 基于深度神经网络的行人再辨识方法 | 第14-16页 |
| 1.3 数据集和评价标准 | 第16-18页 |
| 1.3.1 数据集 | 第16-17页 |
| 1.3.2 评价标准 | 第17-18页 |
| 1.4 主要研究内容与结构安排 | 第18-20页 |
| 1.4.1 主要研究内容 | 第18-19页 |
| 1.4.2 结构安排 | 第19-20页 |
| 第二章 基于BOW模型的行人再辨识 | 第20-35页 |
| 2.1 引言 | 第20页 |
| 2.2 相关工作 | 第20-27页 |
| 2.2.1 Bag-of-Words词袋模型 | 第21-22页 |
| 2.2.2 卷积神经网络相关内容 | 第22-26页 |
| 2.2.3 大尺度相似度学习 | 第26-27页 |
| 2.3 本章提出的方法 | 第27-30页 |
| 2.3.1 基于卷积神经网络的局部特征表示 | 第27-29页 |
| 2.3.2 行人的特征表示 | 第29-30页 |
| 2.4 实验 | 第30-33页 |
| 2.4.1 参数选择 | 第31-32页 |
| 2.4.2 实验结果及分析 | 第32-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 基于改进的Triplet Loss函数的行人再辨识 | 第35-50页 |
| 3.1 引言 | 第35页 |
| 3.2 相关工作 | 第35-40页 |
| 3.2.1 VGG-16网络模型 | 第36-37页 |
| 3.2.2 Triplet Loss函数 | 第37-38页 |
| 3.2.3 Contrastive Loss函数 | 第38-39页 |
| 3.2.4 迁移学习 | 第39-40页 |
| 3.3 算法 | 第40-43页 |
| 3.3.1 网络的整体结构 | 第40-41页 |
| 3.3.2 改进的Triplet Loss函数 | 第41-42页 |
| 3.3.3 训练过程 | 第42-43页 |
| 3.4 实验 | 第43-49页 |
| 3.4.1 设置 | 第43-46页 |
| 3.4.2 在VIPeR数据集上的实验结果 | 第46-47页 |
| 3.4.3 在CUHK01数据集上的实验结果 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 总结与展望 | 第50-53页 |
| 4.1 总结 | 第50页 |
| 4.2 展望 | 第50-53页 |
| 参考文献 | 第53-60页 |
| 致谢 | 第60页 |