基于度量学习的行人重识别若干算法研究
| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 研究难点 | 第13页 |
| 1.4 本文主要工作及内容安排 | 第13-16页 |
| 1.4.1 论文主要工作 | 第13-15页 |
| 1.4.2 论文结构安排 | 第15-16页 |
| 2 行人重识别相关知识介绍 | 第16-23页 |
| 2.1 常用的行人重识别方法 | 第16-20页 |
| 2.1.1 基于特征设计的算法 | 第16-17页 |
| 2.1.2 基于模型设计的算法 | 第17-19页 |
| 2.1.2.1 度量学习算法 | 第17-18页 |
| 2.1.2.2 迁移学习算法 | 第18-19页 |
| 2.1.2.3 字典学习算法 | 第19页 |
| 2.1.3 基于深度学习的算法 | 第19-20页 |
| 2.2 常用的行人特征 | 第20-21页 |
| 2.3 常用的行人重识别评价指标 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于聚类中心化与投影向量学习的行人重识别 | 第23-32页 |
| 3.1 类别不平衡问题 | 第23-25页 |
| 3.1.1 问题描述 | 第23-24页 |
| 3.1.2 常用解决方法 | 第24页 |
| 3.1.3 聚类中心化 | 第24-25页 |
| 3.2 迭代投影向量学习 | 第25-29页 |
| 3.2.1 模型构建 | 第25-26页 |
| 3.2.2 特征空间的迭代更新策略 | 第26-27页 |
| 3.2.3 目标函数求解 | 第27-29页 |
| 3.3 行人重识别分类 | 第29页 |
| 3.4 实验结果与分析 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 基于多维高斯分布和KL散度的行人重识别 | 第32-44页 |
| 4.1 模型构建 | 第32-38页 |
| 4.1.1 基于高斯分布的模型建立 | 第33-34页 |
| 4.1.2 假设检验 | 第34-35页 |
| 4.1.3 类内距离与方差关系 | 第35-37页 |
| 4.1.4 正则化处理 | 第37-38页 |
| 4.2 模型求解 | 第38-41页 |
| 4.2.1 数值解法 | 第38-39页 |
| 4.2.2 对称正定属性 | 第39-41页 |
| 4.3 与基于马氏距离学习算法的区别 | 第41页 |
| 4.4 行人重识别分类 | 第41页 |
| 4.5 实验结果与分析 | 第41-43页 |
| 4.6 本章小结 | 第43-44页 |
| 5 基于半监督字典修正学习的行人重识别 | 第44-54页 |
| 5.1 模型构建 | 第44-47页 |
| 5.1.1 基于字典学习的行人重识别 | 第44-45页 |
| 5.1.2 基于半监督字典学习的行人重识别 | 第45-46页 |
| 5.1.3 基于监督学习再训练的行人重识别 | 第46-47页 |
| 5.2 模型求解 | 第47-50页 |
| 5.2.1 半监督学习模型优化求解 | 第47-49页 |
| 5.2.2 全监督学习模型优化求解 | 第49-50页 |
| 5.3 行人重识别分类 | 第50页 |
| 5.4 实验结果与分析 | 第50-53页 |
| 5.5 本章总结 | 第53-54页 |
| 6 总结和展望 | 第54-57页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-65页 |
| 攻读学位期间研究成果 | 第65-67页 |
| 致谢 | 第67页 |
