基于特征学习的行人重识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景和意义 | 第10-12页 |
| 1.1.1 视频监控系统的发展及智能化趋势 | 第10-11页 |
| 1.1.2 行人重识别课题的提出和意义 | 第11-12页 |
| 1.2 行人重识别的国内外研究现状 | 第12-15页 |
| 1.2.1 行人重识别研究简史 | 第12-13页 |
| 1.2.2 特征提取 | 第13-14页 |
| 1.2.3 度量学习 | 第14页 |
| 1.2.4 基于深度学习的行人重识别技术 | 第14-15页 |
| 1.2.5 基于语义属性的行人重识别技术 | 第15页 |
| 1.3 面临的问题及挑战 | 第15-16页 |
| 1.4 本文的主要工作 | 第16页 |
| 1.5 本文的章节安排 | 第16-18页 |
| 第二章 行人重识别相关技术 | 第18-31页 |
| 2.1 特征提取 | 第18-23页 |
| 2.1.1 颜色特征 | 第18-20页 |
| 2.1.2 纹理特征 | 第20-21页 |
| 2.1.3 属性特征 | 第21页 |
| 2.1.4 几种常用描述子 | 第21-23页 |
| 2.2 距离度量学习 | 第23-25页 |
| 2.2.1 马氏距离 | 第23页 |
| 2.2.2 LMNN | 第23-24页 |
| 2.2.3 KISSME | 第24页 |
| 2.2.4 XQDA | 第24-25页 |
| 2.3 卷积神经网络 | 第25-30页 |
| 2.3.1 卷积层 | 第26-27页 |
| 2.3.2 池化层 | 第27页 |
| 2.3.3 激活函数 | 第27-28页 |
| 2.3.4 全连接层 | 第28页 |
| 2.3.5 Softmax回归 | 第28-30页 |
| 2.3.6 反向传播算法 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于深度特征的行人重识别 | 第31-39页 |
| 3.1 引言 | 第31页 |
| 3.2 FT-FFN网络的灵感来源 | 第31-32页 |
| 3.3 FT-FFN的网络结构 | 第32-36页 |
| 3.3.1 网络概述 | 第32-33页 |
| 3.3.2 ImageNet部分 | 第33-36页 |
| 3.3.3 低层视觉特征部分 | 第36页 |
| 3.3.4 融合层 | 第36页 |
| 3.4 与FNN和FT-CNN的比较 | 第36-37页 |
| 3.5 FT-FNN网络的配置和训练 | 第37-38页 |
| 3.5.1 在ImageNet上的预训练 | 第37页 |
| 3.5.2 在RAP和PETA上的训练策略 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于中层语义属性的行人重识别 | 第39-45页 |
| 4.1 中层属性种类 | 第39-40页 |
| 4.2 中层语义属性分析 | 第40-42页 |
| 4.3 中层语义属性识别 | 第42-43页 |
| 4.4 中层属性的优化 | 第43-44页 |
| 4.5 语义属性与低层特征的融合 | 第44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 实验结果与分析 | 第45-58页 |
| 5.1 数据集及评价方法 | 第45-50页 |
| 5.1.1 PETA数据集 | 第45-46页 |
| 5.1.2 RAP数据集 | 第46-47页 |
| 5.1.3 VIPeR | 第47-48页 |
| 5.1.4 CUHK01 | 第48页 |
| 5.1.5 PRID 450S数据集 | 第48-49页 |
| 5.1.6 评价方法 | 第49-50页 |
| 5.2 实验结果与分析 | 第50-57页 |
| 5.2.1 中层属性识别实验结果 | 第50-52页 |
| 5.2.2 行人重识别实验结果与分析 | 第52-57页 |
| 5.3 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 工作总结 | 第58页 |
| 工作展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 读博士/硕士学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 附件 | 第65页 |
