基于深度学习的行人重识别研究及其FPGA实现
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 经典行人重识别方法 | 第9-10页 |
| 1.2.2 基于深度学习的方法 | 第10-11页 |
| 1.3 本论文研究内容 | 第11-12页 |
| 1.4 本论文结构安排 | 第12-14页 |
| 2 行人重识别及深度学习理论基础 | 第14-26页 |
| 2.1 行人重识别基本框架 | 第14页 |
| 2.2 基于经典算法的行人重识别 | 第14-17页 |
| 2.2.1 特征提取 | 第15-16页 |
| 2.2.2 距离度量 | 第16-17页 |
| 2.2.3 经典行人重识别算法特点 | 第17页 |
| 2.3 基于深度学习的行人重识别 | 第17-24页 |
| 2.3.1 卷积神经网络原理 | 第17-19页 |
| 2.3.2 卷积神经网络特性 | 第19页 |
| 2.3.3 卷积神经网络结构 | 第19-21页 |
| 2.3.4 卷积神经网络反向传播原理 | 第21-22页 |
| 2.3.5 Improved DL网络结构介绍 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 3 基于深度学习的行人重识别算法研究 | 第26-34页 |
| 3.1 算法网络结构的改进 | 第26-29页 |
| 3.1.1 卷积神经网络的轻量化 | 第27页 |
| 3.1.2 邻域差异层的改进 | 第27-29页 |
| 3.2 算法网络参数 | 第29页 |
| 3.3 行人数据准备 | 第29-30页 |
| 3.4 行人重识别评价标准 | 第30-31页 |
| 3.5 算法实现及结果分析 | 第31-33页 |
| 3.5.1 实验配置与参数 | 第31页 |
| 3.5.2 实验结果分析 | 第31-33页 |
| 3.6 本章小结 | 第33-34页 |
| 4 行人重识别算法硬件实现 | 第34-48页 |
| 4.1 基于深度学习的行人重识别网络硬件架构 | 第34-35页 |
| 4.2 各模块具体实现 | 第35-44页 |
| 4.2.1 SD卡控制模块 | 第35-37页 |
| 4.2.2 网络运算模块 | 第37-43页 |
| 4.2.3 顶层控制模块 | 第43-44页 |
| 4.3 板级验证 | 第44-46页 |
| 4.4 本章小结 | 第46-48页 |
| 5 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 致谢 | 第50-52页 |
| 参考文献 | 第52-55页 |
