基于深度学习的行人检测与重识别方法及系统实现

目录

声明

摘要

第1章绪论

1．1研究背景和意义

1．2研究现状

1．2．1行人检测研究现状

1．2．2行人重识别研究现状

1．3论文主要工作

1．4论文组织架构

第2章基于卷积神经网络的行人检测与重识别

2．1．2激活层

2．1．3池化层

2．1．4全连接层

2．1．5损失函数

2．1．6优化算法

2．2基于卷积神经网络的行人检测

2．2．1基于两阶段的行人检测方法

2．2．2基于单阶段的行人检测方法

2．2．3行人检测评价

2．3基于卷积神经网络的行人重识别

2．3．1基于表征学习的行人重识别方法

2．3．2基于度量学习的行人重识别方法

2．3．3行人重识别评价

2．4本章小结

第3章引入注意力机制的行人检测方法

3．1图像预处理

3．2YOLOv3目标检测算法

3．2．1YOLOv3网络结构

3．2．2边界框的预测

3．3引入注意力机制的YOLOv3检测算法

3．3．1注意力机制

3．3．2注意力模块

3．3．3模型剪枝

3．4实验基本设置

3．4．1实验环境

3．4．2实验数据集

3．4．3模型训练设置

3．5实验结果及分析

3．6本章小结

第4章融合组合损失的行人重识别方法

4．1行人重识别损失函数

4．1．1交叉熵损失

4．1．2余弦交叉熵损失

4．1．3三元组损失

4．1．4难样本采样三元组损失

4．1．5边界样本挖掘损失

4．2组合损失设计

4．2．1改进的边界样本挖掘损失

4．2．2融合余弦交叉熵的改进边界样本挖掘损失

4．3组合损失网络结构

4．4实验基本设置

4．4．1实验环境

4．4．2实验数据集

4．4．3模型训练设置

4．5实验结果与分析

4．6本章小结

第5章行人检测与t识别系统设计与实现

5．1系统需求分析

5．2系统方案设计

5．3系统开发与运行环境

5．3．1硬件设备

5．3．2软件平台

5．4运行结果展示

5．5本章小结

第6章总结与展望

6．1总结

6．2展望

参考文献

致谢

攻读学位期间发表的学术成果和参加的科研项目