行人再識(shí)別是公共安全視頻數(shù)據(jù)分析中的一項(xiàng)重要任務(wù),基于圖像的行人再識(shí)別旨在通過(guò)不同攝像鏡頭所獲取的行人圖像對(duì)行人身份進(jìn)行驗(yàn)證。這是近年來(lái)圖像模式識(shí)別領(lǐng)域一個(gè)熱點(diǎn)研究問(wèn)題,具有重要的研究意義和應(yīng)用潛力�；趫D像的行人再識(shí)別現(xiàn)有方法主要考慮特征學(xué)習(xí)和度量學(xué)習(xí),近年來(lái)有大量方法被相繼提出。圖像樣本的分布信息對(duì)檢索結(jié)果具有重要影響,通過(guò)挖掘圖像樣本的分布信息能夠改善檢索結(jié)果;因此,本文系統(tǒng)地研究了面向行人再識(shí)別的重排序算法。針對(duì)現(xiàn)有的重排序方法所存在的諸多局限性,比如超參數(shù)數(shù)目較多、算法的性能對(duì)參數(shù)比較敏感、計(jì)算效率較低等方面,本文從樣本的局部密度信息的利用、額外輔助樣本的利用、和聯(lián)合考慮卷積特征學(xué)習(xí)這三個(gè)角度開(kāi)展了下述創(chuàng)新性工作。1.考慮到對(duì)候選集中樣本局部密度信息的有效利用,本文提出一種逆向密度自適應(yīng)核重排序算法(inv-DAKR)。通過(guò)引入平滑核函數(shù)和密度自適應(yīng)參數(shù),inv-DAKR解決了逆向重排序算法中對(duì)模糊性的保留問(wèn)題。在六個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了 inv-DAKR算法的有效性與計(jì)算效率。2.為了綜合考慮查詢樣本在候選集中的局部密度信息和候選集中樣本局部密度信息,本文提出一種雙向密度自...

【文章頁(yè)數(shù)】：170 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)說(shuō)明
第一章 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
    1.3 論文研究?jī)?nèi)容和創(chuàng)新點(diǎn)
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)研究綜述
    2.1 特征提取
        2.1.1 屬性特征提取算法
        2.1.2 組合特征提取算法
        2.1.3 層次化特征提取算法
    2.2 度量學(xué)習(xí)
        2.2.1 基于動(dòng)態(tài)規(guī)劃的度量學(xué)習(xí)
        2.2.2 基于最大似然估計(jì)的度量學(xué)習(xí)
        2.2.3 基于線性判別分析的度量學(xué)習(xí)
    2.3 重排序算法
        2.3.1 基于用戶反饋的重排序算法
        2.3.2 基于候選集流形結(jié)構(gòu)的重排序算法
        2.3.3 基于樣本的近鄰信息挖掘的重排序算法
    2.4 深度卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 基礎(chǔ)操作
        2.4.2 損失函數(shù)
        2.4.3 優(yōu)化算法
    2.5 常用基準(zhǔn)數(shù)據(jù)集
        2.5.1 GRID
        2.5.2 VIPeR
        2.5.3 PRID450s
        2.5.4 CUHK03
        2.5.5 Market-1501
        2.5.6 Mars
        2.5.7 DukeMTMC-ReID
    2.6 本章小結(jié)
第三章 逆向密度自適應(yīng)核重排序算法
    3.1 引言
    3.2 相關(guān)研究工作與本章貢獻(xiàn)
        3.2.1 相關(guān)研究工作
        3.2.2 本章貢獻(xiàn)
    3.3 問(wèn)題陳述與算法設(shè)計(jì)
        3.3.1 基本的k最近鄰的算法
        3.3.2 基于逆向k近鄰的重排序算法
        3.3.3 密度自適應(yīng)核函數(shù)
        3.3.4 逆向密度自適應(yīng)核重排序算法
    3.4 實(shí)驗(yàn)結(jié)果評(píng)估
        3.4.1 實(shí)驗(yàn)配置
        3.4.2 對(duì)inv-DAKR在完美單樣本匹配數(shù)據(jù)集上的評(píng)估
        3.4.3 對(duì)inv-DAKR在非完美單樣本匹配數(shù)據(jù)集上的評(píng)估
        3.4.4 對(duì)inv-DAKR在多樣本匹配數(shù)據(jù)集上的評(píng)估
        3.4.5 時(shí)間復(fù)雜度的對(duì)比和超參數(shù)k的檢驗(yàn)
    3.5 本章小結(jié)
第四章 雙向密度自適應(yīng)核重排序算法
    4.1 引言
    4.2 相關(guān)研究工作與本章貢獻(xiàn)
        4.2.1 相關(guān)研究工作
        4.2.2 本章貢獻(xiàn)
    4.3 基本的雙向重排序算法k-RNN
    4.4 雙向密度自適應(yīng)核重排序算法的設(shè)計(jì)
    4.5 實(shí)驗(yàn)評(píng)估
        4.5.1 實(shí)驗(yàn)配置
        4.5.2 對(duì)bi-DAKR在完美單樣本匹配數(shù)據(jù)集上的評(píng)估
        4.5.3 對(duì)bi-DAKR在非完美單樣本匹配數(shù)據(jù)集上的評(píng)估
        4.5.4 對(duì)bi-DAKR在多樣本匹配數(shù)據(jù)集上的評(píng)估
        4.5.5 時(shí)間復(fù)雜度的對(duì)比和超參數(shù)k的檢驗(yàn)
    4.6 本章小結(jié)
第五章 融合額外樣本信息的高效重排序算法
    5.1 引言
    5.2 相關(guān)研究工作與本章貢獻(xiàn)
        5.2.1 相關(guān)研究工作
        5.2.2 本章貢獻(xiàn)
    5.3 k-INN+與k-RNN+
    5.4 inv-DAKR+與bi-DAKR+
    5.5 實(shí)驗(yàn)評(píng)估
        5.5.1 實(shí)驗(yàn)配置
        5.5.2 完美單樣本匹配場(chǎng)景下實(shí)驗(yàn)結(jié)果的分析與討論
        5.5.3 非完美單樣本匹配場(chǎng)景下實(shí)驗(yàn)結(jié)果的分析與討論
        5.5.4 多樣本匹配場(chǎng)景下實(shí)驗(yàn)結(jié)果的分析與討論
    5.6 本章小結(jié)
第六章 基于雙重隨機(jī)游走和標(biāo)簽平滑的度量學(xué)習(xí)模型
    6.1 引言
    6.2 相關(guān)研究工作與本章貢獻(xiàn)
        6.2.1 相關(guān)研究工作
        6.2.2 本章貢獻(xiàn)
    6.3 本文的模型
        6.3.1 傳統(tǒng)的隨機(jī)游走模型
        6.3.2 GSDRWLS模型
    6.4 實(shí)驗(yàn)
        6.4.1 數(shù)據(jù)集與實(shí)驗(yàn)配置
        6.4.2 參數(shù)和實(shí)現(xiàn)細(xì)節(jié)
        6.4.3 性能評(píng)估
        6.4.4 與先進(jìn)算法的對(duì)比
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 論文工作總結(jié)
    7.2 未來(lái)研究展望
參考文獻(xiàn)
致謝
攻讀博士期間發(fā)表論文



本文編號(hào)：4004301