基于深度学习的行人再识别关键技术研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 1 绪论 | 第13-20页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 关键技术与主要困难 | 第14-16页 |
| 1.2.1 关键技术 | 第14-15页 |
| 1.2.2 主要困难 | 第15-16页 |
| 1.3 国内外现状 | 第16-18页 |
| 1.4 本文主要研究内容 | 第18页 |
| 1.5 本文的章节安排 | 第18-20页 |
| 2 深度学习与行人再识别的基础理论 | 第20-31页 |
| 2.1 本章引言 | 第20页 |
| 2.2 深度卷积神经网络 | 第20-28页 |
| 2.2.1 CNN算法思想 | 第20-21页 |
| 2.2.2 CNN网络结构 | 第21-24页 |
| 2.2.3 CNN网络学习 | 第24-28页 |
| 2.3 深度学习开源平台 | 第28页 |
| 2.3.1 Caffe | 第28页 |
| 2.3.2 MXNet | 第28页 |
| 2.3.3 TensorFlow | 第28页 |
| 2.4 行人再识别数据库与评价方法 | 第28-29页 |
| 2.4.1 数据库 | 第28-29页 |
| 2.4.2 评价方法 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 3 基于深度哈希函数的行人再识别 | 第31-42页 |
| 3.1 本章引论 | 第31-32页 |
| 3.2 哈希学习 | 第32-36页 |
| 3.2.1 深度哈希函数 | 第33-34页 |
| 3.2.2 损失函数 | 第34-36页 |
| 3.3 实验部分 | 第36-41页 |
| 3.3.1 实验数据库 | 第37页 |
| 3.3.2 实验结果与分析 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 基于深度联合网络的行人再识别 | 第42-54页 |
| 4.1 本章引论 | 第42页 |
| 4.2 深度联合网络模型 | 第42-48页 |
| 4.2.1 基础网络 | 第43-45页 |
| 4.2.2 分类子网络 | 第45-47页 |
| 4.2.3 验证子网络 | 第47-48页 |
| 4.3 实验部分 | 第48-53页 |
| 4.3.1 Market1501数据库实验 | 第48-52页 |
| 4.3.2 CUHK03数据库实验 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 作者简历 | 第60页 |
