基于BRNN和注意力机制的视频行人再识别方法研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 论文的主要研究内容与章节安排 | 第14-17页 |
| 1.3.1 主要工作与研究内容 | 第14-15页 |
| 1.3.2 章节安排 | 第15-17页 |
| 第2章 行人再识别问题的现状 | 第17-24页 |
| 2.1 引言 | 第17页 |
| 2.2 行人再识别问题的分类 | 第17-20页 |
| 2.2.1 根据所用数据分类 | 第17-18页 |
| 2.2.2 根据所用方法分类 | 第18-20页 |
| 2.3 行人再识别算法的评价方法 | 第20-24页 |
| 2.3.1 主要数据库介绍 | 第20-22页 |
| 2.3.2 评价指标 | 第22-24页 |
| 第3章 基于双向循环神经网络的行人再识别算法 | 第24-40页 |
| 3.1 CNN理论基础 | 第24-26页 |
| 3.2 RNN理论基础 | 第26-28页 |
| 3.2.1 基础RNN | 第26-28页 |
| 3.2.2 双向循环网络BRNN | 第28页 |
| 3.3 基于BRNN的行人再识别模型 | 第28-33页 |
| 3.3.1 提取空间特征 | 第28-29页 |
| 3.3.2 利用BRNN学习时序特征 | 第29-32页 |
| 3.3.3 损失函数的设计 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-38页 |
| 3.4.1 实验操作细节 | 第33页 |
| 3.4.2 视频帧数长度的选择 | 第33-35页 |
| 3.4.3 对比损失函数中阈值的选择 | 第35-36页 |
| 3.4.4 与现有方法的对比 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于注意力模型的行人再识别 | 第40-53页 |
| 4.1 ResNet的原理基础 | 第41-42页 |
| 4.2 Triplet Loss的原理基础 | 第42页 |
| 4.3 注意力机制 | 第42-43页 |
| 4.4 基于多尺度时空注意力模型的行人再识别 | 第43-48页 |
| 4.4.1 特征提取 | 第44-45页 |
| 4.4.2 多尺度时空注意力模型 | 第45-47页 |
| 4.4.3 从基于图像到基于视频的训练策略 | 第47-48页 |
| 4.5 实验结果与分析 | 第48-51页 |
| 4.5.1 实验操作细节 | 第48-49页 |
| 4.5.2 多尺度池化的尺度选择 | 第49页 |
| 4.5.3 训练策略的优越性 | 第49-50页 |
| 4.5.4 与现有方法的比较 | 第50页 |
| 4.5.5 可视化注意力 | 第50-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文和科研情况 | 第61-62页 |
| 学位论文评阅及答辩情况表 | 第62页 |
