行人再识别的迁移学习算法研究

发布时间：2021-04-13 08:00

　　随着智能监控设备与深度学习技术的飞速发展,多相机联合监控成为一个研究热点。在多个不重叠区域对指定行人进行检索的深度学习行人再识别技术已成为目前多相机联合监控的重要的研究方向,具有广阔的应用价值与研究意义。在深度学习行人再识别技术的实际应用场景中,受复杂的环境因素影响,单一环境中标注的数据集训练的深度学习网络在跨环境使用时往往缺乏适应性与部署性。同时高额的标注成本限制了在新环境中打标训练的可能。寻找能够将已有模型运用于缺少标签的新环境中的行人再识别迁移学习算法成为了一个受到广泛关注的现实问题。论文针对行人再识别的迁移学习算法展开了研究,以基于SPGAN网络的数据生成式迁移学习算法为基础,对数据生成的风格迁移学习方法进行了改进。首先,本文提出一种采用语义分割掩膜的行人图像迁移学习方法。通过利用语义分割网络生成的掩膜对行人图像中行人目标区域与背景区域加以区分,并结合回归损失函数针对行人目标域身份信息进行损失约束,控制风格迁移网络尽可能保持行人身份信息不损失,以进行跨域数据集的风格迁移学习。其后,将风格迁移学习获得的迁移数据集在行人再识别网络上进行特征再学习,提高目标域中行人再识别任务的性能,... 

【文章来源】：西安理工大学陕西省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

行人再识别过程示意图

迁移学习分类Fig.2-1Transferlearningclassification

西安理工大学硕士学位论文10ResNet-50[43]作为行人再识别网络，并采用与[41]相同的超参数设置。Resnet-50是一种典型的具有局部连接、权值共享等特点的卷积神经网络，常被用于图像和视频的分类任务中。其网络结构如图2-2所示。图2-2Resnet-50网络结构图Fig.2-2TheArchitectureofResnet-50在此网络结构中，大量模块由基础的卷积、残差模块、池化、激活函数等相关操作自由组合而成，下面将对这些基本模块进行介绍。⑴卷积卷积层是卷积神经网络中的核心结构，其方法是使用多组不同的卷积核（一组由训练

【参考文献】：
期刊论文
[1]智能视频监控系统中行人再识别技术研究综述[J]. 胡正平,张敏姣,李淑芳,孙德刚.  燕山大学学报. 2019(05)
[2]基于多尺度卷积特征融合的行人重识别[J]. 徐龙壮,彭力.  激光与光电子学进展. 2019(14)
[3]基于深度学习的行人重识别研究进展[J]. 罗浩,姜伟,范星,张思朋.  自动化学报. 2019(11)
[4]基于特征表示的行人再识别技术综述[J]. 仇春春,杨星红,程海粟,郭晶晶.  信息技术. 2016(07)
[5]基于距离匹配的行人再识别技术综述[J]. 俞婧,仇春春,王恬,许金鑫.  微处理机. 2016(03)



本文编号：3134926