| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 引言 | 第10-18页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 相关工作与出发点 | 第13-14页 |
| 1.4 本文的主要研究内容及组织结构 | 第14-18页 |
| 1.4.1 本文主要内容 | 第14-15页 |
| 1.4.2 论文组织结构 | 第15-18页 |
| 第2章 行人重识别的相关技术与方法 | 第18-32页 |
| 2.1 行人图像特征的表示 | 第18-26页 |
| 2.1.1 颜色特征 | 第18-19页 |
| 2.1.2 纹理特征 | 第19-26页 |
| 2.2 卷积神经网络 | 第26-29页 |
| 2.2.1 卷积层 | 第26-27页 |
| 2.2.2 池化层 | 第27页 |
| 2.2.3 全连接层 | 第27页 |
| 2.2.4 激活函数 | 第27-29页 |
| 2.3 常见的行人重识别方法 | 第29-31页 |
| 2.3.1 基于局部特征的重识别方法 | 第29-30页 |
| 2.3.2 基于表征学习的重识别方法 | 第30页 |
| 2.3.3 基于度量学习的重识别方法 | 第30-31页 |
| 2.3.4 基于GAN的重识别方法 | 第31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于特征点相关性的行人重识别 | 第32-42页 |
| 3.1 研究动机 | 第32页 |
| 3.2 基于特征点相关性的行人重识别网络结构 | 第32-33页 |
| 3.3 特征提取网络 | 第33-36页 |
| 3.4 粒度全连接网络 | 第36-37页 |
| 3.5 CPN网络 | 第37-40页 |
| 3.5.1 CP模块的数学表达与结构 | 第37-39页 |
| 3.5.2 CPN网络结构 | 第39-40页 |
| 3.6 损失函数与相似性度量 | 第40-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第4章 行人重识别模型泛化与模型压缩 | 第42-50页 |
| 4.1 随机深度神经网络 | 第42-43页 |
| 4.2 深度线性衰减Batch Dropblock | 第43-47页 |
| 4.2.1 图像随机裁剪与遮挡 | 第43-45页 |
| 4.2.2 深度线性衰减Batch Dropblock | 第45-47页 |
| 4.3 模型压缩 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 实验与分析 | 第50-68页 |
| 5.1 数据集与评价指标 | 第50-54页 |
| 5.1.1 数据集 | 第50-53页 |
| 5.1.2 评价指标 | 第53-54页 |
| 5.2 基于特征点相关性的行人重识别方法实验 | 第54-61页 |
| 5.2.1 实验参数设置与模型选择 | 第54-56页 |
| 5.2.2 模块性能单数据集测试 | 第56-58页 |
| 5.2.3 模型性能跨数据集测试 | 第58-59页 |
| 5.2.4 模块的可视化验证分析 | 第59-60页 |
| 5.2.5 结果可视化分析 | 第60-61页 |
| 5.3 行人重识别的模型泛化与模型压缩相关实验 | 第61-66页 |
| 5.3.1 实验设置以及baseline | 第61-63页 |
| 5.3.2 实验结果 | 第63-66页 |
| 5.4 本章小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 全文工作总结 | 第68-69页 |
| 6.2 未来工作展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第77页 |