| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 论文的研究背景与研究意义 | 第9-10页 |
| 1.2 行人再识别技术的研究现状 | 第10-12页 |
| 1.2.1 国内外研究现状 | 第11-12页 |
| 1.2.2 行人再识别领域的新方法 | 第12页 |
| 1.3 章节安排 | 第12-14页 |
| 第二章 行人再识别相关研究 | 第14-24页 |
| 2.1 基于图像的行人再识别 | 第14-18页 |
| 2.1.1 行人特征描述 | 第14-15页 |
| 2.1.2 距离度量学习 | 第15-16页 |
| 2.1.3 深度学习系统 | 第16-18页 |
| 2.2 基于视频的行人再识别 | 第18-20页 |
| 2.2.1 人工设计方法 | 第18-19页 |
| 2.2.2 深度学习系统 | 第19-20页 |
| 2.3 基于深度学习的行人再识别相关技术 | 第20-23页 |
| 2.3.1 基于ResNet-50残差网络的行人再识别方法 | 第20-22页 |
| 2.3.2 基于Caffe平台的行人再识别 | 第22-23页 |
| 2.4 本章总结 | 第23-24页 |
| 第三章 基于CenterLoss的残差神经网络的设计 | 第24-48页 |
| 3.1 行人再识别系统的结构 | 第25页 |
| 3.2 行人再识别模块 | 第25-35页 |
| 3.2.1 基于Faster-RCNN的行人检测模块 | 第25-28页 |
| 3.2.2 行人再识别模块的结构 | 第28页 |
| 3.2.3 中心损失 | 第28-29页 |
| 3.2.4 基于中心损失的卷积神经网络 | 第29-30页 |
| 3.2.5 λ对特征分布的影响 | 第30-31页 |
| 3.2.6 基于中心损失的残差网络 | 第31-35页 |
| 3.3 训练过程与特征提取 | 第35-39页 |
| 3.3.1 微调策略 | 第35-36页 |
| 3.3.2 参数设置 | 第36页 |
| 3.3.3 特征提取 | 第36-39页 |
| 3.4 基于度量学习的特征比较 | 第39-42页 |
| 3.4.1 行人图像间距离的定义 | 第39页 |
| 3.4.2 行人再识别中的度量学习算法 | 第39-41页 |
| 3.4.3 基于KISSME的行人特征度量 | 第41-42页 |
| 3.5 基于中心损失的神经网络与传统的度量学习方法的等价性 | 第42-43页 |
| 3.6 基于K阶导数编码的方式进行重排序 | 第43-47页 |
| 3.7 本章总结 | 第47-48页 |
| 第四章 行人再识别系统的实验验证 | 第48-60页 |
| 4.1 模型描述与相关参数 | 第48页 |
| 4.2 数据库和评估协议 | 第48-50页 |
| 4.2.1 行人再识别Re-ID数据集 | 第49页 |
| 4.2.2 评估指标 | 第49-50页 |
| 4.3 MARKET-1501的实验 | 第50-54页 |
| 4.4 CUHK03的实验 | 第54-56页 |
| 4.5 PRID-2011和ILIDS-VID数据集的实验 | 第56-58页 |
| 4.6 本章总结 | 第58-60页 |
| 第五章 总结与展望 | 第60-63页 |
| 5.1 结论 | 第60-61页 |
| 5.2 存在不足与展望 | 第61-63页 |
| 5.2.1 评估标准的选择 | 第61-62页 |
| 5.2.2 检测与追踪算法对行人再识别的影响 | 第62页 |
| 5.2.3 大场景照片中的人物再识别 | 第62-63页 |
| 参考文献 | 第63-72页 |
| 在学期间的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
