基于卷积神经网络的行人重识别算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.3 课题研究的目的和意义 | 第19-21页 |
| 1.4 论文主要工作和组织结构 | 第21-23页 |
| 1.4.1 本文主要工作 | 第21-22页 |
| 1.4.2 全文组织结构 | 第22-23页 |
| 第二章 卷积神经网络介绍 | 第23-40页 |
| 2.1 卷积神经网络 | 第23-36页 |
| 2.1.1 卷积神经网络的网络结构 | 第23-24页 |
| 2.1.2 反向传播算法理论 | 第24-27页 |
| 2.1.3 激活函数 | 第27-28页 |
| 2.1.4 卷积层 | 第28-31页 |
| 2.1.5 池化层 | 第31-32页 |
| 2.1.6 损失函数 | 第32-36页 |
| 2.2 几种经典网络结构 | 第36-40页 |
| 2.2.1 AlexNet网络模型 | 第36-37页 |
| 2.2.2 VGG-Nets网络模型 | 第37页 |
| 2.2.3 Network-In-Network | 第37-38页 |
| 2.2.4 深度残差网络 | 第38-40页 |
| 第三章 排序损失函数 | 第40-56页 |
| 3.1 引言 | 第40页 |
| 3.2 基于排序的损失函数 | 第40-46页 |
| 3.2.1 排序损失函数的工作原理 | 第41-44页 |
| 3.2.2 排序损失函数的梯度推导 | 第44-46页 |
| 3.3 实验结果与分析 | 第46-54页 |
| 3.3.1 行人重识别数据集及划分情况 | 第46-48页 |
| 3.3.2 样本的特征可视化实验和结果分析 | 第48-50页 |
| 3.3.3 排序损失函数在数据集上的性能比较 | 第50-53页 |
| 3.3.4 样本对中的正负样本个数对算法性能影响 | 第53-54页 |
| 3.4 本章小结 | 第54-56页 |
| 第四章 基于姿态估计的行人重识别网络 | 第56-66页 |
| 4.1 引言 | 第56页 |
| 4.2 基于姿态估计的行人重识别网络 | 第56-62页 |
| 4.2.1 网络结构介绍 | 第58-59页 |
| 4.2.2 引入STN的行人重识别网络 | 第59-60页 |
| 4.2.3 STN在网络中的具体使用方式 | 第60-62页 |
| 4.3 实验结果与分析 | 第62-64页 |
| 4.3.1 不同网络结构的对照实验 | 第62-64页 |
| 4.3.2 分块局部特征的数量对识别性能的影响 | 第64页 |
| 4.4 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 论文总结 | 第66-67页 |
| 5.2 后续工作展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士期间所取得的科研成果 | 第71-72页 |
| 致谢 | 第72页 |
