基于注意力和属性学习的行人重识别研究

发布时间：2024-03-13 22:19

　　科学技术的快速发展和社会形态的快速变化,使得人们对公共安全的重视程度越来越高。大量的视频监控设备安放在人流密集的公共场所,这对于刑事案件侦破、失踪人口追踪、城市治安管理起着重要作用。行人重识别作为视频分析的重要技术手段,旨在从不同视域下检索并匹配检测目标是否为同一行人。现实场景中,由于受到拍摄角度、光照、遮挡、背景等因素影响,拍摄的行人图像也千差万别,因此行人重识别的研究具有很大的挑战性。目前行人重识别的研究主要从两个思路展开:一是提取具有判别力和鲁棒性的深度特征对图像进行表征,二是设计合理有效的距离度量函数对深度特征进行辨别。本文同时从这两方面着手,并结合深度学习技术来设计有效的行人重识别算法。为了完整地刻画行人图像,本文设计了基于注意力和属性学习的行人重识别算法模型(SJ-AAN),该模型为双分支结构,能够从不同层面对行人图像进行表征。主要归纳为两个方面:(1)基于全局的深度注意力特征,本文通过将注意力机制融入到深度卷积神经网络中,构成网络的注意力分支,注意力分支通过模型迭代更新,自适应地关注图片中行人所在的显著性区域,从而有效降低背景、光照等因素带来的噪声;(2)基于局部的语义属...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
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 存在的关键问题和挑战
    1.3 国内外研究现状
        1.3.1 基于特征学习的行人重识别方法
        1.3.2 基于度量学习的行人重识别方法
        1.3.3 基于视频序列的行人重识别方法
        1.3.4 基于无监督学习的行人重识别方法
    1.4 论文的主要研究内容
    1.5 论文的结构安排
第2章 行人重识别相关理论介绍
    2.1 基于深度学习的行人重识别框架
    2.2 神经网络
    2.3 卷积神经网络
        2.3.1 卷积神经网络基本结构
        2.3.2 卷积层
        2.3.3 池化层
        2.3.4 激活层
        2.3.5 全连接层
    2.4 损失函数
        2.4.1 Soft Max分类损失
        2.4.2 对比损失
        2.4.3 三元组损失
        2.4.4 中心损失
    2.5 注意力机制
    2.6 本章小节
第3章 基于注意力和属性学习的有监督行人重识别算法
    3.1 算法框架概述
    3.2 注意力分支
        3.2.1 位置注意力模块
        3.2.2 通道注意力模块
    3.3 属性分支
        3.3.1 残差模块
        3.3.2 深度残差网络
    3.4 损失函数
    3.5 本章小节
第4章 基于双线性特征嵌入的无监督行人重识别算法
    4.1 算法框架概述
    4.2 多模态双线性嵌入
        4.2.1 双线性特征聚合
        4.2.2 空间池化嵌入
    4.3 无监督属性关联学习
    4.4 本章小节
第5章 实验结果与分析
    5.1 数据集介绍
        5.1.1 Market-1501 数据集
        5.1.2 Duke MTMC-re ID数据集
    5.2 实验配置及算法评价标准
        5.2.1 实验配置
        5.2.2 算法评价标准
    5.3 基于注意力和属性学习的有监督行人重识别算法实验分析
        5.3.1 实验参数设置
        5.3.2 基于注意力和属性学习的有监督行人重识别算法效果分析
        5.3.3 与其它算法效果比较与分析
    5.4 基于双线性特征嵌入的无监督行人重识别算法实验分析
        5.4.1 实验参数设置
        5.4.2 基于双线性特征嵌入的无监督行人重识别算法效果分析
        5.4.3 与其它算法效果比较与分析
    5.5 本章小节
第6章 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
研究生期间研究成果情况
    1 硕士期间发表论文情况



本文编号：3927653