基于中层特征及视觉显著性的行人再识别算法研究

发布时间：2021-01-21 02:25

　　行人再识别指的是将“探测”相机中一些感兴趣的人与从其他“探测”相机所捕获的感兴趣的行人候选者形成的大集合进行比较,寻找与“探测”相机视图中感兴趣的人属于同一目标实体的对象。现有的行人再识别方法主要可以归纳为两大类:一类重点关注特征表示方法,改进底层特征来更好地描述行人的体貌特征;另一类重点关注距离度量算法,来减少一个行人不同特征之间的差距。很多的现有方法利用全局特征作为行人的特征描述子,这样的特征会存在忽略细节的问题,进而使得再识别的准确率变低。另一方面,被捕捉到的行人图像所处的背景信息没有得到足够的重视,背景因素在一定程度上对行人再识别会产生影响。此外,在图像显著性研究领域内,群组图像的协同显著性检测往往是建立在单图显著性的基础之上的,现有的很多方法大多把二者进行单独的处理,很少有人采用一种统一的模式来同时解决单图显著性以及群组图像协同显著性的问题。针对以上几点问题,本文首先提出了一种统一的显著性检测算法框架,同时关注于单图显著性以及群组协同显著性,而后将该显著性检测方法应用于基于视觉显著性的实体判别网络当中,提出将属性实体判别网络与基于视觉显著性的实体判别网络进行结合的组合方法框架... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

图２－１经典的神经网络拓扑结构图??Ｆｉｇｕｒｅ?２－１?Ｃｌａｓｓｉｃａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｔｏｐｏｌｏｇｙ??１０??

而将误差进行反向传播。在训练的过程中，通过不断地根据误差来调整节点之间??连线的权值使得网络最后的输出结果可以与预期的输出结果尽可能的相近，进而??得到判别能力较好的网络模型。图２－２展示了一个多层神经网络结构，该神经网络??一共有Ｇ层，每一层由多个节点构成，其中第一层为输入层，最后一层为输出层，??其他层均为隐藏层！?????输入层?隐藏层?｜输出层??Ａ＊＞?—…兄??心一￣＂凡??Ｘ，????Ｘ？?Ｉ?Ｉ??图２－２多层神经网络结构图??Ｆｉｇｕｒｅ?２－２?Ｍｕｌｔｉ－ｌａｙｅｒ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??其中，输入的信号信息被定义为：??Ｘ?＝?［ｘ，，ｘ２５－?？?？?－，ｘｍ］Ｔ，ｉ?＝?Ｕ２，－?？?？，?ｗ?（２－１）??输出的向量被定义为：??歹七，？＂，＊＾，…，｝”］＇々：１，２，…，”?（２－２）??＼表示第ｇ层所包含的节点的个数，第ｇ层隐藏层的各个神经元得到的输出??被定义为：??ｃ（ｓ）?＝［ｃｌｇ），ｃ（２８），－－－，ｃ（／），－－－，ｃｉｓ８ｇ）］Ｔ?，ｊ?＝?＼，２，－－－，ｓｓ?（２－３）?

相关理论基础综述介绍??反馈类型的神经网络中最典型的是Ｈｏｐｆｉｅｌｄ网络［３２］，该网络既可以处理离散??型数据，也可以处理连续型数据。图２－３展示的是Ｈｏｐｆｉｅｌｄ网络的结构图。??—??—画—??图２－３?Ｈｏｐｆｉｅｌｄ神经网络的结构图??Ｆｉｇｕｒｅ?２－３?Ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ｈｏｐｆｉｅｌｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??当向训练好的Ｈｏｐｆｉｅｌｄ网络中输入一个样本的时候，网络将把此时作为初始??态，在初始状态下，网络经过多个神经元的处理后得到此时刻的输出结果。网络??经过反馈机制得到下一个时刻的输入信息，而后将新时刻的输入信息喂给网络，??进而得到新时刻所对应的网络的输出信息，利用反馈机制将输出信息再次作为下??一个时刻的输入信息，产生新的输入样本，再由新的样本得到该对应时刻的输出??值，以此类推，不断地循环进行。经过反馈机制的不断操作，网络最终达到稳定??的状态时，可以得到最终的输出结果。??Ｈｏｐｆｉｅｌｄ网络中的每个神经元ｉ与ｊ之间连线的权重被定义为％


本文编号：2990264