| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 特征提取 | 第12-14页 |
| 1.2.2 度量学习 | 第14-15页 |
| 1.3 本文研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 本文相关的研究工作 | 第17-27页 |
| 2.1 卷积神经网络在行人重识别的应用 | 第17-21页 |
| 2.1.1 Single image representation (SIR) | 第17-19页 |
| 2.1.2 Cross image representation(CIR) | 第19-21页 |
| 2.2 距离度量 | 第21-24页 |
| 2.2.1 传统的度量学习算法 | 第21-23页 |
| 2.2.2 基于深度学习的度量学习算法 | 第23-24页 |
| 2.3 公共数据库概述 | 第24-26页 |
| 2.3.1 VIPeR数据集 | 第24-25页 |
| 2.3.2 iLIDS数据集 | 第25页 |
| 2.3.3 CUHK01数据集 | 第25-26页 |
| 2.4 评估方案 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于卷积神经网络的行人特征提取 | 第27-39页 |
| 3.1 基于AlexNet的行人特征提取 | 第28-36页 |
| 3.1.1 AlexNet的网络结构 | 第28-32页 |
| 3.1.2 AlexNet的微调 | 第32-34页 |
| 3.1.3 实验分析 | 第34-35页 |
| 3.1.4 小结 | 第35-36页 |
| 3.2 行人专用的简单卷积神经网络模型 | 第36-38页 |
| 3.2.1 实验参数设置 | 第37页 |
| 3.2.2 实验结果分析 | 第37-38页 |
| 3.3 本章工作总结 | 第38-39页 |
| 第4章 改进的孪生神经网络设计 | 第39-51页 |
| 4.1 Siamese网络 | 第39-46页 |
| 4.1.1 经典Siamese网络结构 | 第39-41页 |
| 4.1.2 改进的Siamese网络结构 | 第41-42页 |
| 4.1.3 卷积神经网络结构 | 第42-43页 |
| 4.1.4 对比损失函数(Contrastive loss) | 第43-44页 |
| 4.1.5 改进的Siamese网络训练过程 | 第44-46页 |
| 4.1.6 Caffe下的网络模型训练 | 第46页 |
| 4.2 度量学习方法 | 第46-48页 |
| 4.3 实验结果分析 | 第48-50页 |
| 4.4 本章工作总结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 论文总结 | 第51页 |
| 5.2 后续工作展望 | 第51-53页 |
| 附录 | 第53-54页 |
| 参考文献 | 第54-61页 |
| 致谢 | 第61页 |
