| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题背景及研究意义 | 第11-13页 |
| 1.2 行人再识别介绍 | 第13-15页 |
| 1.2.1 任务描述 | 第13页 |
| 1.2.2 发展历史 | 第13-15页 |
| 1.2.3 基本框架 | 第15页 |
| 1.3 国内外研究现状 | 第15-18页 |
| 1.3.1 行人特征表示 | 第16-17页 |
| 1.3.2 距离度量学习 | 第17-18页 |
| 1.4 研究内容及章节安排 | 第18-19页 |
| 1.4.1 研究内容 | 第18页 |
| 1.4.2 章节安排 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 相关工作 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 行人再识别和图像分类与检索的联系 | 第20-21页 |
| 2.3 行人特征提取 | 第21-26页 |
| 2.3.1 人工设计的特征 | 第21-23页 |
| 2.3.2 深度学习的特征 | 第23-26页 |
| 2.4 距离度量学习 | 第26-28页 |
| 2.5 算法评判标准 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于卷积神经网络的行人再识别算法 | 第30-51页 |
| 3.1 引言 | 第30-31页 |
| 3.2 卷积神经网络介绍 | 第31-34页 |
| 3.3 卷积神经网络模型发展 | 第34-39页 |
| 3.3.1 AlexNet | 第35-36页 |
| 3.3.2 VGGNet | 第36-37页 |
| 3.3.3 GoogLeNet | 第37-39页 |
| 3.3.4 ResNet | 第39页 |
| 3.4 本文设计的卷积神经网络模型 | 第39-43页 |
| 3.5 损失函数介绍 | 第43-46页 |
| 3.5.1 Softmax loss | 第43-44页 |
| 3.5.2 Contrastive loss | 第44页 |
| 3.5.3 Triplet loss | 第44-45页 |
| 3.5.4 Lifted structured similarity loss | 第45页 |
| 3.5.5 Center loss | 第45页 |
| 3.5.6 Large-margin softmax loss | 第45-46页 |
| 3.5.7 Histogram loss | 第46页 |
| 3.6 本文设计的聚类损失函数 | 第46-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第4章 实验设计与实验结果 | 第51-61页 |
| 4.1 数据集 | 第51-53页 |
| 4.2 评价标准 | 第53页 |
| 4.3 实验设计与结果分析 | 第53-60页 |
| 4.3.1 实验设计与参数设置 | 第53-54页 |
| 4.3.2 卷积神经网络的有效性 | 第54-55页 |
| 4.3.3 聚类损失函数的有效性 | 第55-59页 |
| 4.3.4 联合数据集的迁移学习 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-62页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61页 |
| 5.3 本章小结 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间的主要研究成果 | 第67-68页 |
| 致谢 | 第68页 |