基于卷积神经网络的行人性别识别方法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 性别识别及研究现状 | 第8-11页 |
| 1.3 行人性别识别的研究难点 | 第11-12页 |
| 1.4 本文研究内容与章节安排 | 第12-14页 |
| 1.4.1 本文研究内容 | 第12-13页 |
| 1.4.2 本文章节安排 | 第13-14页 |
| 第2章 深度学习理论基础 | 第14-30页 |
| 2.1 人工神经网络 | 第14-20页 |
| 2.1.1 神经元 | 第14-16页 |
| 2.1.2 前馈神经网络 | 第16页 |
| 2.1.3 前向传播算法 | 第16-17页 |
| 2.1.4 反向传播算法 | 第17-19页 |
| 2.1.5 梯度消失问题 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-25页 |
| 2.2.1 卷积神经网络的基本结构 | 第20-24页 |
| 2.2.3 卷积神经网络的反向传播算法 | 第24-25页 |
| 2.3 评价方法 | 第25-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于HOG辅助深度特征学习的行人性别识别 | 第30-46页 |
| 3.1 引言 | 第30-31页 |
| 3.2 HDFL网络模型 | 第31-38页 |
| 3.2.1 深度学习特征提取 | 第31-35页 |
| 3.2.2 加权HOG特征提取 | 第35-37页 |
| 3.2.3 深度学习特征与加权HOG特征融合 | 第37-38页 |
| 3.3 实验及结果分析 | 第38-44页 |
| 3.3.1 实现细节 | 第38-39页 |
| 3.3.2 行人数据集与评测协议 | 第39-40页 |
| 3.3.3 性能比较 | 第40-41页 |
| 3.3.4 加权HOG特征的辅助行为分析 | 第41-42页 |
| 3.3.5 LRN的有效性分析 | 第42-43页 |
| 3.3.6 错分样本分析 | 第43-44页 |
| 3.4 跨数据集测试 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于决策信息融合学习的行人性别识别 | 第46-54页 |
| 4.1 引言 | 第46页 |
| 4.2 DIFL网络模型 | 第46-50页 |
| 4.2.1 CNN特征学习模块 | 第47-48页 |
| 4.2.2 决策信息融合模块 | 第48-50页 |
| 4.3 实验及结果分析 | 第50-53页 |
| 4.3.1 实现细节 | 第50页 |
| 4.3.2 行人数据集与评测协议 | 第50页 |
| 4.3.3 性能比较 | 第50-51页 |
| 4.3.4 决策信息融合模块的有效性分析 | 第51-52页 |
| 4.3.5 跨数据集测试 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 论文工作总结 | 第54页 |
| 5.2 研究展望与设想 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第62-63页 |
