基于深度学习的行人再识别技术研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文研究背景及意义 | 第10-12页 |
| 1.2 行人再识别技术简介 | 第12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 行人检测国内外研究现状 | 第12-14页 |
| 1.3.2 行人再识别国内外研究现状 | 第14-15页 |
| 1.4 论文的结构安排及主要工作 | 第15-16页 |
| 第2章 深度神经网络简介 | 第16-24页 |
| 2.1 深度神经网络概述 | 第16-17页 |
| 2.1.1 浅层学习阶段 | 第16-17页 |
| 2.1.2 深度学习阶段 | 第17页 |
| 2.2 人工神经网络 | 第17-20页 |
| 2.2.1 前向传播算法 | 第18-19页 |
| 2.2.2 反向传播算法 | 第19-20页 |
| 2.3 卷积神经网络 | 第20-22页 |
| 2.3.1 基本概念 | 第20-22页 |
| 2.3.2 模型结构 | 第22页 |
| 2.4 深度学习框架CAFFE | 第22-24页 |
| 第3章 行人检测和再识别相关研究 | 第24-32页 |
| 3.1 行人检测常用特征 | 第24-27页 |
| 3.2 行人再识别常用特征 | 第27-29页 |
| 3.3 距离度量方法 | 第29-32页 |
| 第4章 预训练网络结构 | 第32-42页 |
| 4.1 训练集 | 第32页 |
| 4.2 RESNET-50残差网络 | 第32-34页 |
| 4.3 预训练网络结构 | 第34-39页 |
| 4.3.1 在线采样层 | 第36-37页 |
| 4.3.2 空间池化层 | 第37-38页 |
| 4.3.3 特征提取层 | 第38页 |
| 4.3.4 损失函数 | 第38-39页 |
| 4.4 模型训练 | 第39-42页 |
| 第5章 端到端行人再识别网络结构 | 第42-54页 |
| 5.1 数据集 | 第42-43页 |
| 5.2 评价标准 | 第43-44页 |
| 5.3 基础模型 | 第44-46页 |
| 5.4 基于深度学习的行人检测和再识别 | 第46-49页 |
| 5.4.1 端到端网络结构 | 第46-48页 |
| 5.4.2 训练阶段 | 第48页 |
| 5.4.3 测试阶段 | 第48-49页 |
| 5.5 实验结果及分析 | 第49-54页 |
| 论文总结与展望 | 第54-55页 |
| 本文主要工作与贡献 | 第54页 |
| 下一步工作展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士期间完成的论文和参与的科研项目 | 第61页 |
