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研究

目录

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