發(fā)布時(shí)間：2024-06-13 20:33

　　行人重識(shí)別是行人檢測(cè)與識(shí)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(shí)生活需求。不同于單攝像機(jī)行人識(shí)別,跨鏡追蹤由于其不連貫性為識(shí)別帶來(lái)了更多難度,因此本文基于多尺度特征融合的孿生生成對(duì)抗網(wǎng)絡(luò)對(duì)行人重識(shí)別算法進(jìn)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(shí)別技術(shù)在深度學(xué)習(xí)方向的技術(shù)研究與具體實(shí)現(xiàn)。首先,針對(duì)當(dāng)前研究態(tài)勢(shì)為不斷更新深度網(wǎng)絡(luò)設(shè)計(jì),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(jì)算成本增加等問(wèn)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(lì)的方法對(duì)特征通道進(jìn)行選擇性的增強(qiáng)與抑制,以提高行人重識(shí)別精度;同時(shí)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(gè)模塊的方式降低模型計(jì)算量,減小網(wǎng)絡(luò)層數(shù),節(jié)省計(jì)算成本。其次,針對(duì)卷積核大小不同對(duì)網(wǎng)絡(luò)運(yùn)算速度及時(shí)間消耗的影響做了詳細(xì)對(duì)比試驗(yàn),找到了平衡時(shí)間消耗與計(jì)算量、準(zhǔn)確率的最佳參數(shù)值。對(duì)于將人體姿態(tài)估計(jì)模型與多尺度特征提取相融合的方法,首先分別將正負(fù)樣本對(duì)輸入到孿生生成對(duì)抗網(wǎng)絡(luò)中,孿生網(wǎng)絡(luò)的兩個(gè)分支分別對(duì)正負(fù)樣...

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)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(shí)別的流程與方法
        1.2.1 目標(biāo)檢測(cè)
        1.2.2 行人追蹤
        1.2.3 行人識(shí)別
        1.2.4 行人重識(shí)別
    1.3 本文主要工作和創(chuàng)新點(diǎn)
    1.4 本文的組織架構(gòu)
2 行人重識(shí)別方法概述
    2.1 行人重識(shí)別數(shù)據(jù)集
    2.2 現(xiàn)階段先進(jìn)技術(shù)概述
        2.2.1 基于表征學(xué)習(xí)的方法
        2.2.2 基于度量學(xué)習(xí)的方法
        2.2.3 基于局部特征的方法
        2.2.4 基于深度學(xué)習(xí)網(wǎng)絡(luò)的方法
    2.3 行人重識(shí)別主流深度學(xué)習(xí)框架
        2.3.1 Caffe深度學(xué)習(xí)框架
        2.3.2 Tensorflowe深度學(xué)習(xí)框架
        2.3.3 Keras深度學(xué)習(xí)框架
        2.3.4 Pytorch深度學(xué)習(xí)框架
    2.4 本章小結(jié)
3 改進(jìn)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(shí)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(duì)抗網(wǎng)絡(luò)行人重識(shí)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(duì)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(duì)抗網(wǎng)絡(luò)行人重識(shí)別算法結(jié)構(gòu)
    4.6 本章小結(jié)
5 實(shí)驗(yàn)驗(yàn)證
    5.1 實(shí)驗(yàn)環(huán)境
    5.2 圖像預(yù)處理
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 SE-Resnet網(wǎng)絡(luò)層間融合實(shí)驗(yàn)
        5.3.2 SE-Resnet卷積核影響實(shí)驗(yàn)
        5.3.3 SE-Resnet網(wǎng)絡(luò)改進(jìn)實(shí)驗(yàn)
        5.3.4基于多尺度特征融合的孿生生成對(duì)抗網(wǎng)絡(luò)行人重識(shí)別算法實(shí)驗(yàn)
    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(xiàn)
在學(xué)研究成果
致謝



本文編號(hào)：3993617