三元组卷积神经网络中行人再识别的应用研究
发布时间：2021-04-21 11:28
视频监控是智慧城市至关重要的组成部分,而行人再识别作为视频监控的重要内容已逐渐引起了国内外学者们的广泛关注。随着近几年的发展,较深的网络架构,较小的卷积核和卷积步长已被证明是提高深度学习性能的有效方法。而最大池化、平均池化、均方根池化在压缩特征尺寸大小的同时能提高图像对旋转、尺度、平移等变化的鲁棒性。因此,本文以改进型嵌套池化三元组卷积神经网络为基础,研究不同嵌套池化方法对非理想自然条件下行人再识别的影响。本文的主要研究内容如下:1、分析研究了行人再识别以及深度学习的国内外发展现状,并总结了目前行人再识别方法面临的挑战以及存在的不足。2、针对传统行人再识别特征鲁棒性不强以及难以正确计算局部距离的问题,提出了改进型嵌套池化三元组卷积神经网络。首先在Resnet50的卷积层后添加嵌套池化层提取全局特征,同时在卷积层后提取水平方向的7个局部特征。然后利用自动动态对齐方法计算局部距离,并利用改进型三元组损失函数同时训练全局特征和局部特征的权重,最后利用置信度测量机制进一步避免仅利用直接度量而存在的误匹配。3、在Market-1 501、CUHK03和VIPeR数据集上对改进型嵌套池化三元组卷积...
【文章来源】：西安理工大学陕西省
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景与意义
1.2 行人再识别难点分析
1.3 国内外研究现状
1.3.1 行人再识别研究现状
1.3.2 深度学习研究现状
1.4 主要研究内容
1.5 组织结构
2 卷积神经网络相关理论
2.1 网络结构
2.1.1 卷积层
2.1.2 池化层
2.1.3 全连接层
2.2 激活函数
2.3 正则化方法
2.4 训练过程
2.4.1 反向传播算法
2.4.2 梯度下降算法
2.5 本章小结
3 嵌套池化三元组卷积神经网络的行人再识别
3.1 网络模型
3.1.1 残差网络
3.1.2 全局特征提取过程
3.1.3 局部特征提取及相似性距离计算
3.2 三元组损失函数
3.2.1 三元组损失函数的提出过程
3.2.2 难样本挖掘策略
3.2.3 改进的三元组损失函数
3.3 间接度量
3.3.1 K相互最近邻重排
3.3.2 置信度测量机制
3.4 评价指标
3.5 本章小结
4 实验及结果分析
4.1 实验数据集
4.2 实验环境
4.3 模型性能分析
4.3.1 不同非理想自然条件下的检测效果
4.3.2 不同模型的检测性能对比
4.4 池化方法的性能分析
4.4.1 不同池化方法对旋转、尺度变化的鲁棒性分析
4.4.2 不同嵌套池化顺序的影响分析
4.4.3 置信度测量机制的影响分析
4.5 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
攻读学位期间主要研究成果
【参考文献】：
期刊论文
[1]基于新型三元卷积神经网络的行人再辨识算法[J]. 朱建清,曾焕强,杜永兆,雷震,郑力新,蔡灿辉. 电子与信息学报. 2018(04)
[2]融合直接度量和间接度量的行人再识别[J]. 蒋桧慧,张荣,李小宝,郭立君. 模式识别与人工智能. 2018(02)
[3]行人再识别技术及其应用[J]. 罗鸿斌. 电脑知识与技术. 2017(36)
[4]行人重识别研究综述[J]. 宋婉茹,赵晴晴,陈昌红,干宗良,刘峰. 智能系统学报. 2017(06)
[5]行人再识别研究进展综述[J]. 张建明,羊立,成科扬. 信息技术. 2017(10)
[6]基于自适应显著特征选择的动态加权平均行人识别模型[J]. 杨超,蔡晓东,甘凯今,王丽娟. 计算机工程与科学. 2017(05)
[7]基于姿态对齐的行人重识别方法（英文）[J]. 王金,刘洁,高常鑫,桑农. 控制理论与应用. 2017(06)
[8]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[9]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
博士论文
[1]面向监控视频的行人重识别技术研究[D]. 王亦民.武汉大学 2014
本文编号：3151676
【文章来源】：西安理工大学陕西省
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景与意义
1.2 行人再识别难点分析
1.3 国内外研究现状
1.3.1 行人再识别研究现状
1.3.2 深度学习研究现状
1.4 主要研究内容
1.5 组织结构
2 卷积神经网络相关理论
2.1 网络结构
2.1.1 卷积层
2.1.2 池化层
2.1.3 全连接层
2.2 激活函数
2.3 正则化方法
2.4 训练过程
2.4.1 反向传播算法
2.4.2 梯度下降算法
2.5 本章小结
3 嵌套池化三元组卷积神经网络的行人再识别
3.1 网络模型
3.1.1 残差网络
3.1.2 全局特征提取过程
3.1.3 局部特征提取及相似性距离计算
3.2 三元组损失函数
3.2.1 三元组损失函数的提出过程
3.2.2 难样本挖掘策略
3.2.3 改进的三元组损失函数
3.3 间接度量
3.3.1 K相互最近邻重排
3.3.2 置信度测量机制
3.4 评价指标
3.5 本章小结
4 实验及结果分析
4.1 实验数据集
4.2 实验环境
4.3 模型性能分析
4.3.1 不同非理想自然条件下的检测效果
4.3.2 不同模型的检测性能对比
4.4 池化方法的性能分析
4.4.1 不同池化方法对旋转、尺度变化的鲁棒性分析
4.4.2 不同嵌套池化顺序的影响分析
4.4.3 置信度测量机制的影响分析
4.5 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
攻读学位期间主要研究成果
【参考文献】：
期刊论文
[1]基于新型三元卷积神经网络的行人再辨识算法[J]. 朱建清,曾焕强,杜永兆,雷震,郑力新,蔡灿辉. 电子与信息学报. 2018(04)
[2]融合直接度量和间接度量的行人再识别[J]. 蒋桧慧,张荣,李小宝,郭立君. 模式识别与人工智能. 2018(02)
[3]行人再识别技术及其应用[J]. 罗鸿斌. 电脑知识与技术. 2017(36)
[4]行人重识别研究综述[J]. 宋婉茹,赵晴晴,陈昌红,干宗良,刘峰. 智能系统学报. 2017(06)
[5]行人再识别研究进展综述[J]. 张建明,羊立,成科扬. 信息技术. 2017(10)
[6]基于自适应显著特征选择的动态加权平均行人识别模型[J]. 杨超,蔡晓东,甘凯今,王丽娟. 计算机工程与科学. 2017(05)
[7]基于姿态对齐的行人重识别方法（英文）[J]. 王金,刘洁,高常鑫,桑农. 控制理论与应用. 2017(06)
[8]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[9]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
博士论文
[1]面向监控视频的行人重识别技术研究[D]. 王亦民.武汉大学 2014
本文编号：3151676
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3151676.html
