行人重識別是行人檢測與識別在跨鏡追蹤研究方面的引申研究方向,其研究成果更貼近現(xiàn)實生活需求。不同于單攝像機行人識別,跨鏡追蹤由于其不連貫性為識別帶來了更多難度,因此本文基于多尺度特征融合的孿生生成對抗網(wǎng)絡(luò)對行人重識別算法進行了一些整合研究,取得了一定的研究成果。本文詳述了行人重識別技術(shù)在深度學習方向的技術(shù)研究與具體實現(xiàn)。首先,針對當前研究態(tài)勢為不斷更新深度網(wǎng)絡(luò)設(shè)計,或在深度網(wǎng)絡(luò)上增加網(wǎng)絡(luò)模塊,從而使得網(wǎng)絡(luò)深度加大,計算成本增加等問題,提出了在殘差網(wǎng)絡(luò)中加入SE(Squeeze and Excitation)模塊,利用其先壓縮后激勵的方法對特征通道進行選擇性的增強與抑制,以提高行人重識別精度;同時將淺層特征提取模塊提取的特征與深層特征提取模塊提取的特征相融合,刪除最高維特征提取模塊,以刪除整個模塊的方式降低模型計算量,減小網(wǎng)絡(luò)層數(shù),節(jié)省計算成本。其次,針對卷積核大小不同對網(wǎng)絡(luò)運算速度及時間消耗的影響做了詳細對比試驗,找到了平衡時間消耗與計算量、準確率的最佳參數(shù)值。對于將人體姿態(tài)估計模型與多尺度特征提取相融合的方法,首先分別將正負樣本對輸入到孿生生成對抗網(wǎng)絡(luò)中,孿生網(wǎng)絡(luò)的兩個分支分別對正負樣...

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究的背景及意義
    1.2 行人重識別的流程與方法
        1.2.1 目標檢測
        1.2.2 行人追蹤
        1.2.3 行人識別
        1.2.4 行人重識別
    1.3 本文主要工作和創(chuàng)新點
    1.4 本文的組織架構(gòu)
2 行人重識別方法概述
    2.1 行人重識別數(shù)據(jù)集
    2.2 現(xiàn)階段先進技術(shù)概述
        2.2.1 基于表征學習的方法
        2.2.2 基于度量學習的方法
        2.2.3 基于局部特征的方法
        2.2.4 基于深度學習網(wǎng)絡(luò)的方法
    2.3 行人重識別主流深度學習框架
        2.3.1 Caffe深度學習框架
        2.3.2 Tensorflowe深度學習框架
        2.3.3 Keras深度學習框架
        2.3.4 Pytorch深度學習框架
    2.4 本章小結(jié)
3 改進的SE-ResNet網(wǎng)絡(luò)
    3.1 深度殘差網(wǎng)絡(luò)
    3.2 SE-Res Net網(wǎng)絡(luò)
    3.3 激活函數(shù)
        3.3.1 Sigmoid激活函數(shù)
        3.3.2 tanh激活函數(shù)
        3.3.3 Relu激活函數(shù)
        3.3.4 Leaky Relu激活函數(shù)
    3.4 基于SE-Res Net與特征融合的行人重識別算法網(wǎng)絡(luò)結(jié)構(gòu)
    3.5 算法步驟
    3.6 本章小結(jié)
4 基于多尺度特征融合的孿生生成對抗網(wǎng)絡(luò)行人重識別算法
    4.1 多尺度特征融合網(wǎng)絡(luò)
    4.2 人體關(guān)節(jié)姿態(tài)提取網(wǎng)絡(luò)
    4.3 生成對抗網(wǎng)絡(luò)
    4.4 孿生網(wǎng)絡(luò)
    4.5 多尺度特征融合的孿生生成對抗網(wǎng)絡(luò)行人重識別算法結(jié)構(gòu)
    4.6 本章小結(jié)
5 實驗驗證
    5.1 實驗環(huán)境
    5.2 圖像預(yù)處理
    5.3 實驗結(jié)果與分析
        5.3.1 SE-Resnet網(wǎng)絡(luò)層間融合實驗
        5.3.2 SE-Resnet卷積核影響實驗
        5.3.3 SE-Resnet網(wǎng)絡(luò)改進實驗
        5.3.4基于多尺度特征融合的孿生生成對抗網(wǎng)絡(luò)行人重識別算法實驗
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 研究展望
參考文獻
在學研究成果
致謝



本文編號：3993617