行人重識(shí)別(Person Re-Identification,ReID)是利用計(jì)算機(jī)視覺(jué)技術(shù)判斷不同監(jiān)控?cái)z設(shè)備拍攝到的行人是否屬于同一行人的技術(shù),在智能安防、刑偵檢測(cè)等領(lǐng)域具有良好的應(yīng)用前景。近年來(lái),以深度卷積網(wǎng)為代表的深度學(xué)習(xí)方法在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了突破性成果,但深度學(xué)習(xí)往往需要大量的訓(xùn)練數(shù)據(jù)。遷移學(xué)習(xí)(Transfer Learning)的目的是利用已有的知識(shí)和經(jīng)驗(yàn)來(lái)解決不同但相關(guān)領(lǐng)域的新任務(wù)。針對(duì)實(shí)際中只有少量用于行人重識(shí)別標(biāo)簽數(shù)據(jù)的情況,本文在深度卷積網(wǎng)基礎(chǔ)上,研究如何運(yùn)用遷移學(xué)習(xí)技術(shù)實(shí)現(xiàn)行人重識(shí)別。主要工作如下:1.構(gòu)建了小規(guī)模行人重識(shí)別數(shù)據(jù)集。其中包含1613幅圖像,5647個(gè)標(biāo)注的行人框,共572個(gè)身份。該數(shù)據(jù)集采用手持?jǐn)z像頭通過(guò)輾轉(zhuǎn)多個(gè)場(chǎng)景收集得到,在圖像采集過(guò)程中盡可能多地包括視點(diǎn)、光照、分辨率、遮擋和背景的變化,以便反映實(shí)際應(yīng)用場(chǎng)景并增加場(chǎng)景多樣性,適用于本文對(duì)小規(guī)模數(shù)據(jù)集下行人重識(shí)別問(wèn)題的研究。2.設(shè)計(jì)并實(shí)現(xiàn)了基于深度卷積網(wǎng)絡(luò)微調(diào)的行人重識(shí)別。在基于改進(jìn)的深度卷積網(wǎng)絡(luò)ResNet50的基礎(chǔ)上采用雙步微調(diào)的遷移學(xué)習(xí)方法。該方法利用大規(guī)模重識(shí)別數(shù)據(jù)集對(duì)ImageNet...

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

大連交通大學(xué)全日制專業(yè)碩士學(xué)位論文???＿?■??圖１．１行人重識(shí)別示意圖??Ｆｉｇ．?１．１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｏｆ?ｐｅｒｓｏｎ?ｒｅ－ｉｄｅｎｔｉｆｉｃａｔｉｏｎ??行人重識(shí)別的前提是己經(jīng)得到行人樣本，這就涉及到監(jiān)控系統(tǒng)中另外一個(gè)重要的研??宄領(lǐng)域行人檢測(cè)（Ｐｅｄ....

ＰＭ檢測(cè)器檢測(cè)得到的，并且提供了?２７９３個(gè)檢測(cè)錯(cuò)誤的矩形框。??ＶＩＰｅＲ數(shù)據(jù)集中有６３２個(gè)行人的１２６４張圖像，每個(gè)行人有兩張圖像，采集自攝像??頭ａ和攝像頭ｂ。圖像尺寸為１２８ｘ４８，它還提供每個(gè)圖像的視點(diǎn)角度。雖然它已經(jīng)過(guò)許??多研宄人員的測(cè)試，但它仍然是最具挑戰(zhàn)性的數(shù)據(jù)....

?大連交通大學(xué)全日制專業(yè)碩士學(xué)位論文???圖１．５?ＯＵＲＳ?１數(shù)據(jù)集的行人示例??Ｆｉｇ．?１．５?Ｔｈｅ?ｐｅｄｅｓｔｒｉａｎ?ｅｘａｍｐｌｅｓ?ｏｆ?０ＵＲＳ１?ｄａｔａｓｅｔ??１．５本文的主要工作及內(nèi)容安排??本文針對(duì)實(shí)際中只有少量用于行人重識(shí)別標(biāo)簽數(shù)據(jù)的情況，在深度卷....

?大連交通大學(xué)全日制專業(yè)碩士學(xué)位論文???空間就可以分別表示為Ｆｊ〇Ｆｓ。則任務(wù)可以表示為Ｔ?＝?｛Ａ／Ｇ｝。??有了上面領(lǐng)域和任務(wù)的定義，就可以對(duì)遷移學(xué)習(xí)進(jìn)行形式化［２９］。??遷移學(xué)習(xí)（Ｔｒａｎｓｆｅｒ?Ｌｅａｒｎｉｎｇ）：給定一個(gè)有標(biāo)記的源，當(dāng)出現(xiàn)一個(gè)??新的任務(wù)７；以及目....

本文編號(hào)：4009241