| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 行人再识别研究的介绍 | 第11-15页 |
| 1.2.1 行人再识别的发展历史 | 第12-13页 |
| 1.2.2 行人再识别的国内外研究现状 | 第13-14页 |
| 1.2.3 行人再识别研究的难点 | 第14-15页 |
| 1.3 主要的工作内容和论文组织结构 | 第15-17页 |
| 第二章 深度学习算法简介 | 第17-29页 |
| 2.1 深度学习的发展历史 | 第17-19页 |
| 2.2 深度学习主要技术介绍 | 第19-28页 |
| 2.2.1 神经网络基础 | 第19-23页 |
| 2.2.2 浅层神经网络 | 第23-27页 |
| 2.2.3 深层神经网络 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 卷积神经网络在行人再识别领域的应用 | 第29-45页 |
| 3.1 卷积神经网络 | 第29-37页 |
| 3.1.1 卷积神经网络的基本概念和模型 | 第29-34页 |
| 3.1.2 常用卷积神经网络模型介绍 | 第34-37页 |
| 3.2 基于卷积神经网络的行人检测技术 | 第37-41页 |
| 3.2.1 候选区域生成 | 第39页 |
| 3.2.2 RoIPooling池化层 | 第39-40页 |
| 3.2.3 FasterR-CNN网络的训练过程 | 第40页 |
| 3.2.4 行人检测过程 | 第40-41页 |
| 3.3 基于卷积神经网络的行人再识别技术 | 第41-43页 |
| 3.3.1 传统的行人再识别方法 | 第41-42页 |
| 3.3.2 基于卷积神经网络的行人再识别方法 | 第42-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于深度学习的行人再识别方法 | 第45-56页 |
| 4.1 基于端到端模型的行人再识别网络 | 第46-50页 |
| 4.1.1 行人再识别网络结构 | 第46-47页 |
| 4.1.2 行人再识别网络的工作流程 | 第47-48页 |
| 4.1.3 损失函数 | 第48-50页 |
| 4.2 基于GAN造图的行人再识别数据集扩充 | 第50-54页 |
| 4.2.1 基于卷积神经网络的GAN造图(DCGANs)的原理介绍 | 第51-53页 |
| 4.2.2 DCGAN生成用于行人再识别数据集图像的方法 | 第53-54页 |
| 4.3 本章小结 | 第54-56页 |
| 第五章 实验设计与实验结果 | 第56-67页 |
| 5.1 数据集 | 第56-58页 |
| 5.2 行人再识别常用评价标准介绍 | 第58-59页 |
| 5.3 实验设计与结果分析 | 第59-67页 |
| 5.3.1 实验参数设置与实验内容介绍 | 第59-60页 |
| 5.3.2 GAN造图数据集扩充技术对行人再识别工作的影响 | 第60-61页 |
| 5.3.3 端到端网络结构的行人再识别性能 | 第61-63页 |
| 5.3.4 数据集扩充后端到端网络结构下行人再识别工作的性能 | 第63-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 本文总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 作者简介及在学期间取得的科研成果 | 第74-75页 |
| 致谢 | 第75页 |
