基于度量学习的行人重识别方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-26页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.2 行人重识别方法研究现状 | 第13-22页 |
| 1.3 研究内容与创新点 | 第22-24页 |
| 1.4 本文的章节安排 | 第24-26页 |
| 2 基于结构化输出度量学习的行人重识别方法 | 第26-46页 |
| 2.1 引言 | 第26-29页 |
| 2.2 基于顶部优先排序损失的结构化输出度量学习 | 第29-37页 |
| 2.3 实验结果与讨论 | 第37-45页 |
| 2.4 本章小结 | 第45-46页 |
| 3 基于上下文相似性正则的度量学习方法 | 第46-67页 |
| 3.1 引言 | 第46-48页 |
| 3.2 上下文相似性判据 | 第48-50页 |
| 3.3 基于上下文相似性正则的度量学习方法 | 第50-53页 |
| 3.4 实验结果与讨论 | 第53-66页 |
| 3.5 本章小结 | 第66-67页 |
| 4 基于等距嵌入度量学习的行人重识别方法 | 第67-86页 |
| 4.1 引言 | 第67-69页 |
| 4.2 基于等距嵌入映射的度量学习方法 | 第69-73页 |
| 4.3 实验结果与讨论 | 第73-84页 |
| 4.4 本章小结 | 第84-86页 |
| 5 基于深度度量学习的行人重识别方法 | 第86-107页 |
| 5.1 引言 | 第86-89页 |
| 5.2 网络结构与相似性函数 | 第89-90页 |
| 5.3 排列概率模型与损失函数设计 | 第90-94页 |
| 5.4 模型求解 | 第94-97页 |
| 5.5 实验结果与讨论 | 第97-106页 |
| 5.6 本章小结 | 第106-107页 |
| 6 总结与展望 | 第107-110页 |
| 6.1 全文总结 | 第107-108页 |
| 6.2 主要创新点 | 第108-109页 |
| 6.3 研究展望 | 第109-110页 |
| 致谢 | 第110-111页 |
| 参考文献 | 第111-119页 |
| 附录1 攻读博士学位期间发表的学术论文 | 第119-120页 |
| 附录2 攻读博士学位期间参与申请的专利 | 第120-121页 |
| 附录3 公开发表的学术论文与博士学位论文的关系 | 第121-122页 |
| 附录4 攻读博士学位期间参与的科研课题 | 第122页 |
