声明
第一章 绪 论
1.1 研究工作的背景与意义
1.2 国内外研究历史与现状
1.2.1 行人重识别
1.2.2 语义分割
1.3 本文的主要贡献与创新
1.4 本论文的结构安排
第二章 相关技术
2.1.1 神经网络
2.1.2 卷积神经网络
2.2 注意力机制
2.3 经典损失函数
2.3.1 交叉熵损失函数
2.3.2 对比损失函数
2.3.3 三元组损失函数
2.4 语义分割框架
2.4.1 全卷积神经网络
2.4.2 DeepLab V3+
2.4.3 EncNet
2.5 行人重识别框架
2.5.1 单分支网络
2.5.2 多分支网络
2.6 本章小结
第三章 基于上下文编码和多尺度特征的语义分割网络
3.1 基于上下文编码和多尺度特征的语义分割网络概述
3.2 语义分割模型定义
3.2.1 网络输入输出
3.2.2 特征提取
3.2.3 损失函数
3.3 语义分割模型结构
3.4 特征提取
3.4.1 主干网络
3.4.2 pe-attention实现方法1
3.4.3 pe-attention实现方法2
3.4.4 Transfer-Encoder
3.5 上采样
3.6 损失函数
3.6.1 pe-loss实现方法1
3.6.2 pe-loss实现方法2
3.7 本章小结
第四章 基于语义分割的行人重识别网络
4.1 基于语义分割的行人重识别网络概述
4.2 网络结构的定义
4.2.1 网络输入输出
4.2.2 特征提取
4.2.3 损失函数
4.3 语义分割辅助行人重识别：硬划分
4.4 语义分割辅助行人重识别：软划分
4.5 语义分割辅助行人重识别：软硬结合
4.6 本章小结
第五章 实验以及结果
5.1 数据集介绍
5.1.1 PASCAL VOC 2012 Dataset
5.1.2 PASCAL VOC Augmentation Dataset
5.1.3 海康行人分割数据集
5.1.4 Market1501 Dataset
5.2 实验环境介绍
5.3 语义分割部分实验
5.3.1 公开数据集语义分割结果和最优训练策略总结
5.3.2 海康威视数据集语义分割结果
5.3.3 数据增强
5.3.4 语义分割实验说明
5.3.5 ASPP pe-attention
5.3.6 backbone pe-attention
5.3.7 ASPP pe-loss
5.3.8 pe-loss position
5.3.9 Transfer-Encoder
5.3.10 pe-loss和pe-attention结合
5.3.11 超参数调优
5.4 行人重识别部分实验
5.4.1 实验说明
5.4.2 最优结果展示
5.4.3 最优策略总结
5.4.4 超参数调优
5.5 语义分割辅助行人重识别
5.5.1 语义分割辅助行人重识别：硬划分
5.5.2 语义分割辅助行人重识别：软划分
5.5.3 语义分割辅助行人重识别：软硬结合
5.6 本章小结
第六章 总结和展望
6.1 总结
6.2 展望
致谢
参考文献
电子科技大学;
