| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第1章 绪论 | 第18-29页 |
| 1.1 研究背景及意义 | 第18-19页 |
| 1.2 行人再识别研究现状 | 第19-23页 |
| 1.2.1 行人图像特征表示方法 | 第19-20页 |
| 1.2.2 行人图像特征匹配模型 | 第20-22页 |
| 1.2.3 基于深度学习的行人再识别方法 | 第22-23页 |
| 1.3 行人再识别数据集 | 第23-24页 |
| 1.4 行人再识别所面临的挑战 | 第24-26页 |
| 1.5 本文的主要研究内容和创新点 | 第26-28页 |
| 1.6 本文章节安排 | 第28-29页 |
| 第2章 基于局部自适应度量学习的行人再识别方法 | 第29-46页 |
| 2.1 引言 | 第29-31页 |
| 2.2 相关工作 | 第31-32页 |
| 2.2.1 度量学习 | 第31页 |
| 2.2.2 行人再识别 | 第31-32页 |
| 2.3 基于全局决策阈值的度量学习方法 | 第32-33页 |
| 2.4 基于局部自适应决策函数的度量学习方法 | 第33-37页 |
| 2.4.1 问题定义 | 第33-34页 |
| 2.4.2 多视角拓展 | 第34-35页 |
| 2.4.3 模型求解 | 第35-37页 |
| 2.5 实验结果与分析 | 第37-45页 |
| 2.5.1 数据集、评估协议和设置 | 第37-39页 |
| 2.5.2 数据集VIPeR、CUHK01和PRID450S上的实验结果与分析 | 第39-41页 |
| 2.5.3 数据集Market-1501上的实验结果与分析 | 第41-43页 |
| 2.5.4 算法分析 | 第43-45页 |
| 2.6 小结 | 第45-46页 |
| 第3章 基于自训练子空间学习的行人再识别方法 | 第46-63页 |
| 3.1 引言 | 第46-47页 |
| 3.2 相关工作 | 第47-49页 |
| 3.2.1 行人再识别 | 第47-48页 |
| 3.2.2 半监督学习 | 第48-49页 |
| 3.3 基于自训练的半监督子空间学习方法 | 第49-53页 |
| 3.3.1 全监督的子空间学习 | 第49-50页 |
| 3.3.2 自训练子空间学习 | 第50-52页 |
| 3.3.3 多核拓展 | 第52-53页 |
| 3.4 实验结果与分析 | 第53-62页 |
| 3.4.1 数据集、评估协议和实验设置 | 第53-55页 |
| 3.4.2 实验结果 | 第55-60页 |
| 3.4.3 算法分析 | 第60-62页 |
| 3.5 小结 | 第62-63页 |
| 第4章 基于结构化深度度量学习的行人再识别方法 | 第63-81页 |
| 4.1 引言 | 第63-65页 |
| 4.2 相关工作 | 第65-68页 |
| 4.2.1 深度度量学习 | 第65-66页 |
| 4.2.2 行人再识别 | 第66-68页 |
| 4.3 结构化深度度量学习方法 | 第68-74页 |
| 4.3.1 常用的损失函数 | 第68-69页 |
| 4.3.2 本章提出的损失函数 | 第69-73页 |
| 4.3.3 后向传播 | 第73页 |
| 4.3.4 实现细节 | 第73-74页 |
| 4.4 实验结果与分析 | 第74-80页 |
| 4.4.1 数据集和评估协议 | 第74-75页 |
| 4.4.2 Market-1501数据集上的实验结果 | 第75-78页 |
| 4.4.3 Market-1501+500K数据集上的实验结果 | 第78页 |
| 4.4.4 DukeMTMC-reID数据集上的实验结果 | 第78-79页 |
| 4.4.5 CUHK03数据集上的实验结果 | 第79-80页 |
| 4.5 小结 | 第80-81页 |
| 第5章 总结与展望 | 第81-83页 |
| 5.1 总结 | 第81页 |
| 5.2 展望 | 第81-83页 |
| 参考文献 | 第83-92页 |
| 攻读博士学位期间的学术活动及成果情况 | 第92页 |
