基于无监督和单样本的行人重识别算法

发布时间：2021-05-20 08:36

　　行人重识别指的是,采用计算机视觉的技术,判断在视角不重叠的区域内不同摄像头捕捉到的行人图像是否来自同一个行人的过程。由于行人重识别中用于训练的数据集需要跨多个摄像头获取实验样本,摄像头之间的内在差异性导致人工标注的方式效率低且难度大,无法应用于大规模的数据集,从而限制了行人重识别研究的进一步发展。因此,越来越多的研究者开始关注不需要人工标记（无监督）或者仅需要每个行人一张已标注图像（单样本）的行人重识别研究。本文也将针对这两种任务,分别提出两种不同的算法来解决不充分行人图像标签信息下（无监督和单样本）行人重识别模型的训练问题。对于这两类任务,由于行人图像缺少类别标签信息和成对标签信息,我们无法直接进行基于分类损失和基于三元组损失的训练。因此,两者都需要估计未标注行人图像的标签信息用于模型训练,一般通过计算图像特征之间的相似度进行图像的匹配,进而完成标签的标注。然而,不同的摄像头由于其所处的位置不同导致其拍摄到的行人角度存在差异、行人在不同时间点的姿态变化、光照的因素导致成像的差异等,使同一个行人的成像存在较大的差异（类内差异）,甚至大于不同行人间的图像差异（类间差异）,这也是行人重识别... 

【文章来源】：西南大学重庆市 211工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
数学符号对照表
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 应用前景
        1.1.3 研究意义
    1.2 研究现状
        1.2.1 基于监督学习的行人重识别
        1.2.2 基于无监督的行人重识别
    1.3 本文的主要研究内容
    1.4 本文组织
第2章 相关理论知识介绍
    2.1 行人重识别系统定义
    2.2 图像描述算子
        2.2.1 颜色特征
        2.2.2 纹理特征
        2.2.3 局部特征
    2.3 深度学习系统
        2.3.1 卷积神经网络
        2.3.2 残差网络
        2.3.3 代价函数
    2.4 无监督行人重识别
    2.5 领域自适应
    2.6 半监督学习
    2.7 本章小结
第3章 基于聚类指导的无监督行人重识别
    3.1 聚类级别的监督信息
    3.2 可信和困难的正负样本对挖掘
    3.3 本章小结
第4章 基于标签融合和混合生成的单样本行人重识别
    4.1 双层标签融合
        4.1.1 特征匹配度标签
        4.1.2 分类预测度标签
    4.2 跨摄像头图像混合生成
    4.3 本章小结
第5章 实验与分析
    5.1 行人重识别的图像数据集
    5.2 行人重识别算法的评价标准
    5.3 实验流程及实验分析
        5.3.1 基于聚类的无监督行人重识别
        5.3.2 基于标签融合和混合生成的单样本行人重识别
    5.4 本章小结
第6章 工作总结与展望
    6.1 论文工作总结
    6.2 未来工作展望
参考文献
致谢
硕士期间发表的论文



本文编号：3197454