基于多尺度特征融合的孪生生成对抗网络行人重识别算法研究

发布时间：2024-06-13 20:33

　　行人重识别是行人检测与识别在跨镜追踪研究方面的引申研究方向,其研究成果更贴近现实生活需求。不同于单摄像机行人识别,跨镜追踪由于其不连贯性为识别带来了更多难度,因此本文基于多尺度特征融合的孪生生成对抗网络对行人重识别算法进行了一些整合研究,取得了一定的研究成果。本文详述了行人重识别技术在深度学习方向的技术研究与具体实现。首先,针对当前研究态势为不断更新深度网络设计,或在深度网络上增加网络模块,从而使得网络深度加大,计算成本增加等问题,提出了在残差网络中加入SE(Squeeze and Excitation)模块,利用其先压缩后激励的方法对特征通道进行选择性的增强与抑制,以提高行人重识别精度;同时将浅层特征提取模块提取的特征与深层特征提取模块提取的特征相融合,删除最高维特征提取模块,以删除整个模块的方式降低模型计算量,减小网络层数,节省计算成本。其次,针对卷积核大小不同对网络运算速度及时间消耗的影响做了详细对比试验,找到了平衡时间消耗与计算量、准确率的最佳参数值。对于将人体姿态估计模型与多尺度特征提取相融合的方法,首先分别将正负样本对输入到孪生生成对抗网络中,孪生网络的两个分支分别对正负样...

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究的背景及意义
    1.2 行人重识别的流程与方法
        1.2.1 目标检测
        1.2.2 行人追踪
        1.2.3 行人识别
        1.2.4 行人重识别
    1.3 本文主要工作和创新点
    1.4 本文的组织架构
2 行人重识别方法概述
    2.1 行人重识别数据集
    2.2 现阶段先进技术概述
        2.2.1 基于表征学习的方法
        2.2.2 基于度量学习的方法
        2.2.3 基于局部特征的方法
        2.2.4 基于深度学习网络的方法
    2.3 行人重识别主流深度学习框架
        2.3.1 Caffe深度学习框架
        2.3.2 Tensorflowe深度学习框架
        2.3.3 Keras深度学习框架
        2.3.4 Pytorch深度学习框架
    2.4 本章小结
3 改进的SE-ResNet网络
    3.1 深度残差网络
    3.2 SE-Res Net网络
    3.3 激活函数
        3.3.1 Sigmoid激活函数
        3.3.2 tanh激活函数
        3.3.3 Relu激活函数
        3.3.4 Leaky Relu激活函数
    3.4 基于SE-Res Net与特征融合的行人重识别算法网络结构
    3.5 算法步骤
    3.6 本章小结
4 基于多尺度特征融合的孪生生成对抗网络行人重识别算法
    4.1 多尺度特征融合网络
    4.2 人体关节姿态提取网络
    4.3 生成对抗网络
    4.4 孪生网络
    4.5 多尺度特征融合的孪生生成对抗网络行人重识别算法结构
    4.6 本章小结
5 实验验证
    5.1 实验环境
    5.2 图像预处理
    5.3 实验结果与分析
        5.3.1 SE-Resnet网络层间融合实验
        5.3.2 SE-Resnet卷积核影响实验
        5.3.3 SE-Resnet网络改进实验
        5.3.4基于多尺度特征融合的孪生生成对抗网络行人重识别算法实验
    5.4 本章小结
6 总结与展望
    6.1 全文总结
    6.2 研究展望
参考文献
在学研究成果
致谢



本文编号：3993617