基于多任务联合监督学习的行人再识别研究

发布时间：2021-01-13 16:45

　　行人再识别技术作为视频分析中重点的研究内容之一,吸引了大批学者的关注。该技术是根据提取的行人视觉特征,在跨摄像头的情况下判断给定行人是否为相同行人。目前,行人再识别的研究侧重于对行人特征的提取。人工提取行人特征的方法集中在对颜色及纹理等低层特征的处理,基于深度学习的行人再识别的特征提取算法的研究主要是针对以行人身份验证、身份识别任务,通过构建复杂的神经网络结构来实现行人的特征匹配,因此设计简单且有效的网络结构提取更具区分性和鲁棒性的行人特征是本文行人再识别研究的重点内容。本文提出了基于多任务联合监督学习的网络结构,通过提取更具区分能力的深层卷积行人特征,有效提升了行人再识别效果。多任务联合监督学习网络结构主要涉及联合监督的行人身份信息学习和辅助特征提取的行人多属性学习两个方面。本文首先提出利用两个损失函数对行人身份识别任务实现联合监督学习,这种方法既可以使网络学习得到的特征具有不同行人之间得差异性信息又可以使所学特征具有相同行人之间的相关性信息,将两种信息采用联合监督的学习方式指导网络模型的参数更新,有效的提高了行人特征的表现能力。本文又考虑到行人单一的身份信息对于指导网络学习行人的具... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

Inception结构

哈尔滨工业大学硕士学位论文差的增加。如图 1-2 所示，图左边是普通网习单元。可以明确的看出，当 x 为某个神经；ResNet 残差的学习，则是直接将输入的 ，改变了神经网络的学习目标为 F(x)=H(x)-练高达 152 层深的神经网络。残差学习单元结构设计又迈进了一步。

哈尔滨工业大学硕士学位论文第 2 章 行人再识别相关算法介绍在现实生活中，人们每天都在重复着行人再识别的任务。对于人类来说，大脑可以很轻松的处理再识别的问题。但对于计算机而言，要想实现行人再识别这个任务同时还要取得一定的准确率可以说是非常困难的，图 2-1 为行人再识别任务的示意图。在行人再识别系统中，人们指定一个行人目标作为系统输入，从利用在多个摄像头下所截取的数量庞大的候选集图库中找寻与输入目标相一致的行人图像作为输出结果，从而实现对目标行人的目标路径跟踪等其他任务。


本文编号：2975215