| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 行人特征提取 | 第12-14页 |
| 1.2.2 特征距离度量 | 第14-15页 |
| 1.2.3 检索结果排序优化 | 第15页 |
| 1.3 常用行人重识别数据库介绍 | 第15-17页 |
| 1.4 算法性能评估指标 | 第17-19页 |
| 1.5 主要内容和组织结构 | 第19-22页 |
| 1.5.1 主要内容 | 第19-20页 |
| 1.5.2 组织结构 | 第20-22页 |
| 第二章 基于QRNN局部行人特征提取的行人重识别算法 | 第22-38页 |
| 2.1 引言 | 第22-23页 |
| 2.2 QRNN网络结构 | 第23-29页 |
| 2.2.1 卷积神经网络(CNN) | 第23-24页 |
| 2.2.2 循环神经网络(RNN) | 第24-27页 |
| 2.2.3 Quasi-Recurrent Neural Networks(QRNN) | 第27-29页 |
| 2.3 基于QRNN局部行人特征提取的行人重识别算法 | 第29-34页 |
| 2.3.1 JLML算法 | 第29-31页 |
| 2.3.2 BiQRNN-JLML算法 | 第31-34页 |
| 2.4 实验结果和对比分析 | 第34-37页 |
| 2.4.1 实验设置 | 第34-35页 |
| 2.4.2 实验结果与分析 | 第35-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 基于多种损失函数联合学习的行人重识别算法 | 第38-52页 |
| 3.1 引言 | 第38-39页 |
| 3.2 基于DML的多分支softmax损失函数联合学习策略 | 第39-44页 |
| 3.2.1 相互学习网络结构 | 第40-41页 |
| 3.2.2 基于DML的多分支softmax损失函数联合学习策略 | 第41-43页 |
| 3.2.3 实验结果与分析 | 第43-44页 |
| 3.3 行人重识别常用损失函数 | 第44-51页 |
| 3.3.1 多分类损失函数 | 第44-45页 |
| 3.3.2 二分类损失函数 | 第45-46页 |
| 3.3.3 Triplet损失函数 | 第46-47页 |
| 3.3.4 损失函数实验对比分析 | 第47-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 基于等距度量学习策略的行人重识别算法 | 第52-64页 |
| 4.1 引言 | 第52-53页 |
| 4.2 基于马氏距离的行人重识别度量方法 | 第53-56页 |
| 4.2.1 马氏距离 | 第53-54页 |
| 4.2.2 MLAPG算法 | 第54-56页 |
| 4.3 Equid-MLAPG算法 | 第56-60页 |
| 4.3.1 等距度量学习策略 | 第56-57页 |
| 4.3.2 Equid-MLAPG算法的模型和代价函数求解 | 第57-60页 |
| 4.4 实验结果与对比分析 | 第60-63页 |
| 4.4.1 在LOMO特征、GOG特征与多种度量学习算法性能对比实验 | 第60-62页 |
| 4.4.2 不同数据集上多种度量学习算法对比实验 | 第62-63页 |
| 4.5 本章总结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 工作展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
