| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.1.1 课题研究背景 | 第9-10页 |
| 1.1.2 课题研究意义 | 第10页 |
| 1.2 相关工作的研究概况 | 第10-16页 |
| 1.2.1 人工特征方法研究概况 | 第11-13页 |
| 1.2.2 深度学习方法研究概况 | 第13-16页 |
| 1.3 行人重识别问题研究难点分析 | 第16-18页 |
| 1.4 本文研究内容及组织结构 | 第18-20页 |
| 第2章 深度学习及行人重识别基础 | 第20-36页 |
| 2.1 引言 | 第20页 |
| 2.2 卷积神经网络 | 第20-29页 |
| 2.2.1 卷积神经网络简介 | 第20-21页 |
| 2.2.2 卷积神经网络基础构件 | 第21-27页 |
| 2.2.3 卷积神经网络特点 | 第27-29页 |
| 2.3 行人重识别基础 | 第29-35页 |
| 2.3.1 问题表述 | 第29-31页 |
| 2.3.2 行人重识别任务与分类和检索任务的关系 | 第31页 |
| 2.3.3 评价指标 | 第31-33页 |
| 2.3.4 常用数据集 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 面向度量学习的多任务学习策略 | 第36-49页 |
| 3.1 引言 | 第36-37页 |
| 3.2 多损失函数设计 | 第37-44页 |
| 3.2.1 交叉熵损失函数 | 第37-38页 |
| 3.2.2 A-softmax及AM-softmax损失函数 | 第38-41页 |
| 3.2.3 三元组损失函数 | 第41-42页 |
| 3.2.4 基于KN困难采样的三元组损失 | 第42-43页 |
| 3.2.5 多任务学习 | 第43-44页 |
| 3.3 网络结构设计 | 第44-45页 |
| 3.4 实验结果及分析 | 第45-48页 |
| 3.4.1 实验配置与参数 | 第45页 |
| 3.4.2 网络基础结构挑选 | 第45-46页 |
| 3.4.3 单损失函数性能测试 | 第46-47页 |
| 3.4.4 组合损失函数性能测试 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 面向特征提取的多尺度融合网络结构设计 | 第49-66页 |
| 4.1 引言 | 第49页 |
| 4.2 多尺度融合特征及网络结构设计 | 第49-54页 |
| 4.2.1 思路来源 | 第49-52页 |
| 4.2.2 多尺度融合网络结构设计 | 第52-54页 |
| 4.3 行人图像对齐及网络结构设计 | 第54-60页 |
| 4.3.1 思路来源 | 第54-56页 |
| 4.3.2 空间变换网络 | 第56-59页 |
| 4.3.3 总体网络结构设计 | 第59-60页 |
| 4.4 实验结果及分析 | 第60-64页 |
| 4.4.1 实验配置与参数 | 第60页 |
| 4.4.2 不同分支数目对局部分支的影响 | 第60-61页 |
| 4.4.3 MSN网络各模块性能探究 | 第61-63页 |
| 4.4.4 STN网络的作用 | 第63-64页 |
| 4.4.5 与其他方法的对比 | 第64页 |
| 4.5 本章小结 | 第64-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第73-75页 |
| 致谢 | 第75-76页 |