基于多分辨率监控数据的行人重识别模型研究

目录

声明

第一章绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 行人重识别

1.2.2 低分辨率行人重识别

1.2.3 超分辨率重建

1.3 本文研究内容

1.4 本文层次结构安排

第二章相关技术原理

2.1 行人重识别概述

2.1.1 特征表示

2.1.2 度量学习

2.1.3 行人重识别系统

2.2 行人检测算法

2.3 神经网络相关内容

2.4 注意力机制

2.4.1 编码解码框架

2.4.2 融合注意力机制的编码解码框架

2.4.3 注意力机制的的应用

2.5 残差网络

2.5.1 残差学习及快捷连接

2.5.2 残差网络结构

2.6 本章小结

第三章监控数据及数据预处理

3.1 公开数据集

3.2 低分辨率图像模拟

3.2.1 双线性插值

3.2.2 MLR-CUHK03

3.2.3 MLR-SYSU

3.3 数据增强

3.4 归一化

3.5 本章小结

第四章超分辨率行人重识别模型

4.1 模型概述

4.2 超分辨率重建子网络

4.2.1 残差密集块

4.2.2 连续记忆机制

4.2.3 局部特征融合

4.2.4 局部残差学习

4.3 行人重识别子网络

4.3.1 InceptionA1 模块

4.3.2 InceptionB1模块

4.3.3 集成注意力模块

4.3.4 软注意力机制

4.3.5 硬注意力机制

4.4 混合模型的整体结构

4.5.1 训练方法

4.5.2 损失函数

4.6 本章小结

第五章实验设置及结果分析

5.1 实验环境

5.2 实验设置

5.2.1 相关参数说明

5.2.2 基于不同数据集的实验及相关划分标准

5.2.3 对比实验

5.2.4 进一步实验分析

5.3 评价指标

5.3.1 累积匹配特征曲线

5.3.2 平均均值精确度

5.4 实验结果

5.4.1 基于 MLR-CUHK03的实验结果

5.4.2 基于 MLR-SYSU的实验结果

5.4.3 与低分辨率行人重识别方法性能对比

5.4.4 超分辨率重建与行人重识别结合的实验

5.4.5 与超分辨率重建和重识别组合方法性能对比

5.5 各组成部分对识别效果的影响分析

5.5.1 模型输入对识别结果的影响

5.5.2 残差密集块对识别结果的影响

5.5.3 目标函数各组成项对识别结果的影响

5.6 本章小结

第六章结束语

6.1 全文总结

6.2 不足与展望

致 谢

参考文献

攻硕期间取得的研究成果