基于卷积神经网络的行人再识别技术研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 难点分析 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-15页 |
| 1.3.1 基于特征表示的方法 | 第9-12页 |
| 1.3.2 基于度量学习的方法 | 第12-14页 |
| 1.3.3 基于深度学习的方法 | 第14-15页 |
| 1.4 本文主要研究工作 | 第15-16页 |
| 1.5 论文的组织结构 | 第16-17页 |
| 2 行人特征表示方法 | 第17-24页 |
| 2.1 人工设计特征 | 第17-20页 |
| 2.1.1 颜色特征 | 第17-18页 |
| 2.1.2 纹理特征 | 第18-19页 |
| 2.1.3 形状特征 | 第19-20页 |
| 2.2 基于学习的特征 | 第20-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 基于显著性加权的行人特征表示 | 第24-39页 |
| 3.1 显著性检测算法 | 第24-25页 |
| 3.2 显著性加权特征 | 第25-27页 |
| 3.2.1 光照预处理 | 第25-26页 |
| 3.2.2 特征提取 | 第26-27页 |
| 3.3 交叉二次判别算法 | 第27-28页 |
| 3.4 排序聚合算法 | 第28-29页 |
| 3.5 实验结果与分析 | 第29-38页 |
| 3.5.1 数据集和评价指标 | 第29-32页 |
| 3.5.2 实验结果 | 第32-36页 |
| 3.5.3 性能分析 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 基于双卷积融合的行人特征表示 | 第39-51页 |
| 4.1 深度学习概述 | 第39-40页 |
| 4.2 卷积神经网络概述 | 第40-43页 |
| 4.2.1 基本结构 | 第41-42页 |
| 4.2.2 深度残差网络 | 第42-43页 |
| 4.3 典型相关分析 | 第43-45页 |
| 4.3.1 基本思想 | 第43-44页 |
| 4.3.2 算法求解 | 第44-45页 |
| 4.4 双卷积融合特征 | 第45-46页 |
| 4.5 实验结果与分析 | 第46-50页 |
| 4.5.1 实验结果 | 第46-49页 |
| 4.5.2 性能分析 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 5 总结与展望 | 第51-53页 |
| 5.1 工作总结 | 第51-52页 |
| 5.2 研究展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58页 |
