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絡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在深度學習方向的技術研究與具體實現。首先,針對當前研究態勢為不斷更新深度網絡設計,或在深度網絡上增加網絡模塊,從而使得網絡深度加大,計算成本增加等問題,提出了在殘差網絡中加入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,減小網絡層數,節省計算成本。其次,針對卷積核大小不同對網絡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、準確率的最佳參數值。對于將人體姿態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絡中,孿生網絡的兩個分支分別對正負樣...

【文章頁數】：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 本文主要工作和創新點
    1.4 本文的組織架構
2 行人重識別方法概述
    2.1 行人重識別數據集
    2.2 現階段先進技術概述
        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 基于深度學習網絡的方法
    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
3 改進的SE-ResNet網絡
    3.1 深度殘差網絡
    3.2 SE-Res Net網絡
    3.3 激活函數
        3.3.1 Sigmoid激活函數
        3.3.2 tanh激活函數
        3.3.3 Relu激活函數
        3.3.4 Leaky Relu激活函數
    3.4 基于SE-Res Net與特征融合的行人重識別算法網絡結構
    3.5 算法步驟
    3.6 本章小結
4 基于多尺度特征融合的孿生生成對抗網絡行人重識別算法
    4.1 多尺度特征融合網絡
    4.2 人體關節姿態提取網絡
    4.3 生成對抗網絡
    4.4 孿生網絡
    4.5 多尺度特征融合的孿生生成對抗網絡行人重識別算法結構
    4.6 本章小結
5 實驗驗證
    5.1 實驗環境
    5.2 圖像預處理
    5.3 實驗結果與分析
        5.3.1 SE-Resnet網絡層間融合實驗
        5.3.2 SE-Resnet卷積核影響實驗
        5.3.3 SE-Resnet網絡改進實驗
        5.3.4基于多尺度特征融合的孿生生成對抗網絡行人重識別算法實驗
    5.4 本章小結
6 總結與展望
    6.1 全文總結
    6.2 研究展望
參考文獻
在學研究成果
致謝



本文編號：3993617