声明
1 绪论
1.1 课题研究的背景及意义
1.2 行人重识别的流程与方法
1.2.1 目标检测
1.2.2 行人追踪
1.2.3 行人识别
1.2.4 行人重识别
1.3 本文主要工作和创新点
1.4 本文的组织架构
2 行人重识别方法概述
2.1 行人重识别数据集
2.2 现阶段先进技术概述
2.2.1 基于表征学习的方法
2.2.2 基于度量学习的方法
2.2.3 基于局部特征的方法
2.2.4 基于深度学习网络的方法
2.3 行人重识别主流深度学习框架
2.3.1 Caffe深度学习框架
2.3.2 Tensorflowe深度学习框架
2.3.3 Keras深度学习框架
2.3.4 Pytorch深度学习框架
2.4 本章小结
3 改进的SE-ResNet网络
3.1 深度残差网络
3.2 SE-ResNet网络
3.3 激活函数
3.3.1 Sigmoid激活函数
3.3.2 tanh激活函数
3.3.3 Relu激活函数
3.3.4 LeakyRelu激活函数
3.4 基于SE-ResNet与特征融合的行人重识别算法网络结构
3.5 算法步骤
3.6 本章小结
4 基于多尺度特征融合的孪生生成对抗网络行人重识别算法
4.1 多尺度特征融合网络
4.2 人体关节姿态提取网络
4.3 生成对抗网络
4.4 孪生网络
4.5 多尺度特征融合的孪生生成对抗网络行人重识别算法结构
4.6 本章小结
5 实验验证
5.1 实验环境
5.2 图像预处理
5.3 实验结果与分析
5.3.1 SE-Resnet网络层间融合实验
5.3.2 SE-Resnet卷积核影响实验
5.3.3 SE-Resnet网络改进实验
5.3.4 基于多尺度特征融合的孪生生成对抗网络行人重识别算法实验
5.4 本章小结
6 总结与展望
6.1 全文总结
6.2 研究展望
参考文献
在学研究成果
致谢
内蒙古科技大学;