| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 引言 | 第15-16页 |
| 1.2 课题研究的背景和意义 | 第16页 |
| 1.3 行人再识别研究现状 | 第16-17页 |
| 1.4 行人再识别的技术难点 | 第17-18页 |
| 1.5 本文的主要工作及创新点 | 第18-20页 |
| 第二章 行人再识别概述 | 第20-26页 |
| 2.1 引言 | 第20页 |
| 2.2 基于特征表达的行人再识别 | 第20-23页 |
| 2.3 基于距离测度学习的行人再识别 | 第23-24页 |
| 2.4 视频行人再识别 | 第24页 |
| 2.5 本章总结 | 第24-26页 |
| 第三章 基于前景分割的运动特征融合行人再识别 | 第26-40页 |
| 3.1 引言 | 第26页 |
| 3.2 公共数据集概述 | 第26-30页 |
| 3.2.1 Market1501数据集 | 第26-27页 |
| 3.2.2 DukeMTMC-reID数据集 | 第27-28页 |
| 3.2.3 CUHK03数据集 | 第28-29页 |
| 3.2.4 PRID2011数据集 | 第29-30页 |
| 3.2.5 iLIDS-VID数据集 | 第30页 |
| 3.3 前景背景分割 | 第30-34页 |
| 3.3.1 图像分割 | 第30-33页 |
| 3.3.2 利用人体关键点检测去除背景 | 第33-34页 |
| 3.4 双流网络融合特征 | 第34-35页 |
| 3.5 CNN+RNN框架 | 第35-36页 |
| 3.6 网络优化目标 | 第36-37页 |
| 3.7 实验结果与分析 | 第37-39页 |
| 3.7.1 评判标准 | 第37页 |
| 3.7.2 实验结果比较 | 第37-39页 |
| 3.8 本章总结 | 第39-40页 |
| 第四章 基于弱监督学习的前景分割行人再识别 | 第40-52页 |
| 4.1 引言 | 第40页 |
| 4.2 弱监督信息的构造 | 第40-41页 |
| 4.3 特征金字塔网络框架 | 第41-44页 |
| 4.4 多任务学习优化目标 | 第44-45页 |
| 4.5 实验测试与结果分析 | 第45-51页 |
| 4.5.1 实验细节 | 第45-46页 |
| 4.5.2 在线分割与离线分割结果比较 | 第46页 |
| 4.5.3 分割对分类的影响分析 | 第46-47页 |
| 4.5.4 在大型行人再识别数据集上与其他算法结果比较 | 第47-51页 |
| 4.6 本章总结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 本文工作总结 | 第52-53页 |
| 5.2 未来工作展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第59-60页 |