| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 基于传统方法的行人再识别特征提取研究现状 | 第10-11页 |
| 1.2.2 基于深度学习方法的行人再识别特征提取研究现状 | 第11-13页 |
| 1.2.3 卷积神经网络的研究现状 | 第13-15页 |
| 1.2.4 多任务学习和属性学习的研究现状 | 第15-16页 |
| 1.3 行人再识别的研究难点分析 | 第16-17页 |
| 1.3.1 行人图像的可变性 | 第16-17页 |
| 1.3.2 行人再识别模型的局限性 | 第17页 |
| 1.4 本文的主要研究内容 | 第17-18页 |
| 1.5 本文组织结构 | 第18-19页 |
| 第2章 行人再识别相关算法介绍 | 第19-29页 |
| 2.1 行人再识别的基本流程 | 第19-20页 |
| 2.2 行人再识别算法介绍 | 第20-25页 |
| 2.2.1 行人再识别的手工特征提取方法 | 第20-22页 |
| 2.2.2 行人再识别的深度特征提取方法 | 第22-23页 |
| 2.2.3 度量学习算法 | 第23-25页 |
| 2.3 多任务学习与属性学习介绍 | 第25-27页 |
| 2.3.1 多任务学习 | 第25页 |
| 2.3.2 属性学习 | 第25-26页 |
| 2.3.3 基于多任务的属性学习结构 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 多任务联合监督学习的网络设计与特征学习 | 第29-40页 |
| 3.1 多任务联合监督学习的网络设计 | 第29-35页 |
| 3.1.1 多任务联合监督学习的网络结构 | 第30-32页 |
| 3.1.2 分类信息学习 | 第32-33页 |
| 3.1.3 中心损失函数 | 第33-35页 |
| 3.2 多任务联合监督学习网络的损失函数 | 第35-37页 |
| 3.3 多任务联合监督学习网络的分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 实验结果与分析 | 第40-54页 |
| 4.1 数据库介绍 | 第40-43页 |
| 4.2 行人再识别研究的评价标准 | 第43-44页 |
| 4.3 网络模型训练参数设定 | 第44-45页 |
| 4.4 实验结果与分析 | 第45-51页 |
| 4.4.1 联合监督与属性学习的有效性 | 第45-46页 |
| 4.4.2 行人身份与属性学习的有效性 | 第46-47页 |
| 4.4.3 多任务联合监督学习的有效性 | 第47-49页 |
| 4.4.4 最终的实验结果 | 第49-51页 |
| 4.5 行人再识别的效果展示 | 第51页 |
| 4.6 本章小结 | 第51-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士期间发表的论文以及其它成果 | 第61-63页 |
| 致谢 | 第63页 |