基于长短期记忆网络的行人属性识别
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究背景和意义 | 第7页 |
| 1.2 行人属性识别的研究现状 | 第7-11页 |
| 1.2.1 行人属性识别的难点 | 第7-9页 |
| 1.2.2 现有行人属性识别的方法 | 第9-11页 |
| 1.3 本文的研究目标和研究内容 | 第11页 |
| 1.4 本文的内容安排 | 第11-13页 |
| 第2章 行人属性识别相关理论介绍 | 第13-29页 |
| 2.1 深度学习 | 第13-16页 |
| 2.1.1 卷积神经网络 | 第13-15页 |
| 2.1.2 VGG模型 | 第15-16页 |
| 2.2 循环神经网络 | 第16-20页 |
| 2.2.1 长期依赖问题 | 第17-18页 |
| 2.2.2 LSTM模型 | 第18-20页 |
| 2.3 行人检测 | 第20-22页 |
| 2.4 属性学习 | 第22-24页 |
| 2.5 图像描述 | 第24-26页 |
| 2.6 小结 | 第26-29页 |
| 第3章 基于LSTM的行人属性识别 | 第29-39页 |
| 3.1 模型的输入 | 第30页 |
| 3.2 行人属性生成模型 | 第30-32页 |
| 3.3 模型的输出 | 第32-33页 |
| 3.4 实验结果及分析 | 第33-37页 |
| 3.4.1 数据集介绍 | 第33-34页 |
| 3.4.2 实验设置 | 第34页 |
| 3.4.3 实验结果分析 | 第34-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 基于引导型长短期记忆网络的行人属性识别 | 第39-47页 |
| 4.1 gLSTM模型 | 第39-40页 |
| 4.2 基于单属性词的时间依赖型gLSTM网络 | 第40-42页 |
| 4.3 基于文本的td-gLSTM | 第42-43页 |
| 4.4 实验设置 | 第43页 |
| 4.5 实验结果分析 | 第43-45页 |
| 4.6 本章小结 | 第45-47页 |
| 第5章 总结与展望 | 第47-49页 |
| 5.1 本文工作总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-55页 |
| 发表论文和参加科研情况说明 | 第55-57页 |
| 致谢 | 第57页 |
