| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 课题研究的背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 手工re-ID系统 | 第14-16页 |
| 1.2.1.1 特征提取 | 第14-15页 |
| 1.2.1.2 度量学习 | 第15-16页 |
| 1.2.2 基于深度学习的re-ID系统 | 第16-19页 |
| 1.2.2.1 特征学习网络的设计 | 第17-18页 |
| 1.2.2.2 距离度量层的设计 | 第18-19页 |
| 1.2.2.3 其他工作 | 第19页 |
| 1.3 论文结构安排及主要工作 | 第19-20页 |
| 1.4 本章总结 | 第20-23页 |
| 第二章 基行人再识别的理论概述 | 第23-31页 |
| 2.1 行人再识别与行人检索的关系 | 第23-24页 |
| 2.2 行人再识别任务中的难点 | 第24-25页 |
| 2.3 开集测试协议与闭集测试协议 | 第25-27页 |
| 2.4 行人再识别数据集介绍 | 第27页 |
| 2.5 网络训练与测试过程 | 第27-30页 |
| 2.5.1 训练过程中的特征学习与距离度量 | 第28页 |
| 2.5.2 测试过程中的特征提取与距离度量 | 第28-30页 |
| 2.6 Single-shot与multi-shot版本的评估方法 | 第30页 |
| 2.7 本章总结 | 第30-31页 |
| 第三章 基于特征重加权的行人再识别网络 | 第31-43页 |
| 3.1 特征重加权层描述 | 第31-32页 |
| 3.2 基于siamese网络结构的行人再识别 | 第32-34页 |
| 3.2.1 分类子网络 | 第32-33页 |
| 3.2.2 验证子网络 | 第33-34页 |
| 3.3 特征重加权层的设计 | 第34-36页 |
| 3.3.1 特征重加权的原理 | 第34页 |
| 3.3.2 特征重加权的具体实现 | 第34-36页 |
| 3.4 实验设置与结果 | 第36-41页 |
| 3.4.1 数据集 | 第36页 |
| 3.4.2 数据输入准备 | 第36-37页 |
| 3.4.3 基本网络 | 第37页 |
| 3.4.4 训练设置 | 第37-38页 |
| 3.4.5 实验结果 | 第38-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于改进centerloss函数的行人再识别网络 | 第43-57页 |
| 4.1 多领域学习 | 第43-44页 |
| 4.2 原centerloss函数 | 第44-45页 |
| 4.3 数据集合并 | 第45-46页 |
| 4.4 本文工作 | 第46-55页 |
| 4.4.1 改进的centerloss函数 | 第46-47页 |
| 4.4.2 Mnist数据集上的实验 | 第47-50页 |
| 4.4.3 行人再识别实验 | 第50-55页 |
| 4.4.3.1 行人再识别数据集的融合 | 第50-52页 |
| 4.4.3.2 基本网络结构与训练设置 | 第52-53页 |
| 4.4.3.3 实验结果 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 行人再识别的应用 | 第57-65页 |
| 5.1 基于matlab语言的行人再识别系统设计 | 第57-61页 |
| 5.1.1 行数据集的收集与划分协议 | 第57-58页 |
| 5.1.2 行人再识别系统介绍 | 第58-61页 |
| 5.2 基于python版本的联网行人再识别系统 | 第61-63页 |
| 5.2.1 实际需求的行人再识别系统 | 第61页 |
| 5.2.2 系统介绍与使用 | 第61-63页 |
| 5.2.3 系统性能评价 | 第63页 |
| 5.3 本章总结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 本文总结 | 第65页 |
| 6.2 未来工作展望 | 第65-67页 |
| 6.2.1 当前存在的问题 | 第65-66页 |
| 6.2.2 今后的研究方法与内容 | 第66-67页 |
| 参考文献 | 第67-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士学位期间发表的学术论文 | 第77页 |