基于无监督学习的行人再识别研究

发布时间：2023-04-28 14:49

　　随着计算机信息技术的发展,智能安防领域的相关技术也得到了很大的进步。在智能监控系统中,行人再识别算法受到广大科研人员和科研机构的密切关注。但是,行人再识别技术在现实场景应用的过程中面临着一些挑战。虽然基于有监督学习的行人再识别技术得到了巨大的提升,但是使用有监督学习的方法进行模型训练需要大量已标记的数据,这增加了人工成本和时间成本。由于在现实场景中直接获得的行人图像是无标签的,所以直接基于无标签数据进行训练的无监督行人再识别技术更具有实际应用价值。本文主要研究无监督行人再识别问题,主要研究内容如下:1.针对在无监督跨域行人识别中行人特征相似性匹配准确度较低的问题,本文提出区域特征交互机制,在区域特征中加入其他区域特征信息,增强区域特征的交互性。同时,由于不同数据集的数据分布不同,在源域上训练的模型直接应用到目标域时模型的识别性能会明显下降。为此,本文提出自注意力加权机制,关注于行人特征,并学习不同域之间的行人相似性。最终模型在Market-1501数据集上Rank-1达到了84.2%,m AP达到了62.4%。2.针对背景区域信息会降低无监督聚类效果,本文提出了不同区域多样性约束机制。...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 引言
    1.2 课题研究的背景及意义
    1.3 行人再识别的研究现状
    1.4 行人再识别面临的挑战
    1.5 本文的主要工作及创新点
第二章 行人再识别技术概述
    2.1 引言
    2.2 基于传统方法的行人再识别
    2.3 基于深度学习的行人再识别
        2.3.1 有监督行人再识别
        2.3.2 基于无监督跨域的行人再识别
        2.3.3 基于半监督的行人再识别
    2.4 总结
第三章 基于区域特征交互的无监督域自适应的行人再识别
    3.1 引言
    3.2 基于区域特征交互机制的无监督跨域行人再识别方法
        3.2.1 有监督源域预训练
        3.2.2 基于区域特征交互机制无监督学习
        3.2.3 自注意力加权机制
        3.2.4 区域特征交互机制
        3.2.5 损失函数
    3.3 公共数据集及评价标准
        3.3.1 Market-1501 数据集
        3.3.2 Duke MTMC-Re ID数据集
        3.3.3 MSMT17 行人数据集
        3.3.4 行人再识别算法性能评价标准
    3.4 相关实验和结果分析
        3.4.1 实验细节
        3.4.2 在Market-1501 数据集上的对比实验结果
        3.4.3 在Duke MTMC-Re ID数据集上的对比实验结果
        3.4.4 各模块消融实验
    3.5 本章小结
第四章 基于不同区域多样性约束的无监督跨域行人再识别
    4.1 引言
    4.2 不同区域多样性约束的无监督跨域行人再识别方法
        4.2.1 有监督预训练
        4.2.2 不同区域多样性约束机制
        4.2.3 多粒度特征自适应融合机制
        4.2.4 损失函数
    4.3 相关实验和结果分析
        4.3.1 实验细节
        4.3.2 在Market-1501 数据集上的实验结果
        4.3.3 在Duke MTMC-Re ID数据集上的对比实验结果
        4.3.4 本章算法在MSMT17 数据集上的测试结果
        4.3.5 各模块消融实验
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3804010