| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景与意义 | 第16-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 行人重识别 | 第18-19页 |
| 1.2.2 对抗生成网络 | 第19-20页 |
| 1.2.3 基于生成图像的行人重识别 | 第20页 |
| 1.2.4 其他相关工作 | 第20-21页 |
| 1.3 论文的主要工作及结构安排 | 第21-24页 |
| 1.3.1 论文主要工作 | 第21-22页 |
| 1.3.2 论文结构安排 | 第22-24页 |
| 第二章 基于姿态变换图像的行人重识别数据增强方法 | 第24-48页 |
| 2.1 行人重识别算法 | 第24-34页 |
| 2.1.1 评价指标 | 第24-25页 |
| 2.1.2 数据集介绍 | 第25-27页 |
| 2.1.3 网络结构 | 第27-28页 |
| 2.1.4 损失函数 | 第28-29页 |
| 2.1.5 实验与结果比较 | 第29-34页 |
| 2.2 姿态变换网络 | 第34-39页 |
| 2.2.1 网络细节 | 第34-37页 |
| 2.2.2 姿态变换网络生成图像结果 | 第37-39页 |
| 2.3 基于姿态变换图像的数据增强方法 | 第39-45页 |
| 2.3.1 标签平滑正则化 | 第40页 |
| 2.3.2 实验结果与分析 | 第40-45页 |
| 2.4 本章小结 | 第45-48页 |
| 第三章 基于三元组对抗损失函数的行人重识别方法 | 第48-70页 |
| 3.1 行人重识别中生成图像与真实图像的特征分布分析 | 第48-51页 |
| 3.2 基于三元组对抗损失函数的行人重识别方法 | 第51-56页 |
| 3.2.1 预备知识:对抗生成网络介绍 | 第51-52页 |
| 3.2.2 网络结构 | 第52-54页 |
| 3.2.3 三元组对抗损失函数 | 第54-55页 |
| 3.2.4 相对相似性损失函数 | 第55-56页 |
| 3.3 实验和结果分析 | 第56-67页 |
| 3.3.1 实现细节 | 第56页 |
| 3.3.2 姿态变换图像结果 | 第56-59页 |
| 3.3.3 与基准算法的结果比较 | 第59-61页 |
| 3.3.4 与现有行人重识别算法的结果比较 | 第61-63页 |
| 3.3.5 组成分析 | 第63-66页 |
| 3.3.6 参数分析 | 第66-67页 |
| 3.4 本章小结 | 第67-70页 |
| 第四章 基于对抗损失函数的红外图像行人重识别方法 | 第70-86页 |
| 4.1 彩色-红外图像跨域行人重识别问题 | 第71-73页 |
| 4.1.1 问题描述 | 第71-72页 |
| 4.1.2 难点分析 | 第72页 |
| 4.1.3 现有解决方法和分析 | 第72-73页 |
| 4.2 基于对抗损失函数的红外图像行人重识别方法 | 第73-77页 |
| 4.2.1 cycleGAN网络结构 | 第73-75页 |
| 4.2.2 训练过程 | 第75-76页 |
| 4.2.3 测试过程 | 第76页 |
| 4.2.4 损失函数 | 第76-77页 |
| 4.3 实验和结果分析 | 第77-84页 |
| 4.3.1 数据集介绍 | 第77-78页 |
| 4.3.2 实现细节 | 第78-79页 |
| 4.3.3 彩色-红外图像转换结果 | 第79-80页 |
| 4.3.4 与现有算法的比较与分析 | 第80-81页 |
| 4.3.5 组成分析 | 第81-83页 |
| 4.3.6 特征融合方案的选择 | 第83-84页 |
| 4.4 本章小结 | 第84-86页 |
| 第五章 总结与展望 | 第86-90页 |
| 5.1 总结 | 第86-87页 |
| 5.2 展望 | 第87-90页 |
| 参考文献 | 第90-98页 |
| 作者简历 | 第98-100页 |
| 攻读硕士学位期间主要的研究成果 | 第100页 |