基于卷积神经网络的行人重识别方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 将卷积神经网络作为特征提取器 | 第11-12页 |
| 1.2.2 将卷积神经网络作为度量模型 | 第12页 |
| 1.2.3 使用生成对抗网络产生新的样本 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第2章 辫状网络 | 第15-24页 |
| 2.1 待匹配图像间的不对齐问题 | 第15页 |
| 2.2 摄像头间的色彩差异问题 | 第15-16页 |
| 2.3 辫状网络的方法介绍 | 第16-18页 |
| 2.4 辫状网络的原理分析 | 第18-24页 |
| 第3章 通道放缩层 | 第24-29页 |
| 3.1 零梯度问题 | 第24-25页 |
| 3.2 通道放缩层的方法介绍 | 第25页 |
| 3.3 通道放缩层的原理分析 | 第25-29页 |
| 第4章 样本比例学习策略 | 第29-33页 |
| 4.1 正负样本不均衡问题 | 第29-30页 |
| 4.2 样本比例学习策略的方法介绍 | 第30-33页 |
| 第5章 实验 | 第33-50页 |
| 5.1 网络模型 | 第33-34页 |
| 5.2 数据集及评测框架 | 第34-36页 |
| 5.3 训练阶段设置 | 第36-37页 |
| 5.4 匹配分数后处理方法 | 第37页 |
| 5.5 实验内容及实验结果 | 第37-40页 |
| 5.6 实验结果分析 | 第40-46页 |
| 5.6.1 辫状网络的有效性 | 第40-41页 |
| 5.6.2 通道放缩层的有效性 | 第41-42页 |
| 5.6.3 样本比例学习策略的有效性 | 第42-44页 |
| 5.6.4 和其它方法的比较 | 第44-46页 |
| 5.7 模型浮点运算量比较 | 第46-47页 |
| 5.8 W型卷积层特征可视化 | 第47-50页 |
| 第6章 总结与展望 | 第50-53页 |
| 6.1 本文工作总结 | 第50页 |
| 6.2 辫状网络的优势和应用展望 | 第50-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
