隨著深度學(xué)習(xí)的快速發(fā)展和行人重識別在視頻監(jiān)控、自動駕駛和公共安全等領(lǐng)域的廣泛應(yīng)用,基于深度網(wǎng)絡(luò)的行人重識別已成為計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)。由于行人重識別始終存在遮擋,姿勢和視角變化的問題,通過多分支網(wǎng)絡(luò)學(xué)習(xí)全面、魯棒且具有辨別力的特征表示是解決這些問題的新的研究方向。本文從損失函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)兩個方面開展基于多分支網(wǎng)絡(luò)的行人重識別方法研究。主要完成以下三個工作:1.改進(jìn)行人重識別的多損失融合方法。傳統(tǒng)多損失融合方法中的三元組損失在度量空間僅擴(kuò)大類間相對距離,而忽略類間的絕對距離。針對傳統(tǒng)多損失融合方法中的存在問題,提出中心損失改進(jìn)的多損失融合方法。新方法彌補(bǔ)了三元組損失忽略類間的絕對距離的問題,同時通過中心損失的聚類效果進(jìn)一步提升所提特征的辨別力。本工作在Market1501數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)表明,所提出的方法與傳統(tǒng)多損失融合方法相比提高了模型的分類精度。2.改進(jìn)多損失在批特征消除網(wǎng)絡(luò)中的瓶頸結(jié)構(gòu)。批特征消除網(wǎng)絡(luò)中分支具有不同特性,多個損失函數(shù)在訓(xùn)練時又彼此干擾,因此找到適合不同分支的損失函數(shù)和瓶頸結(jié)構(gòu)至關(guān)重要。針對這個問題,本文在提出使用中心損失和BNNeck瓶頸結(jié)構(gòu)改進(jìn)批特征消... 

【文章來源】：蘭州理工大學(xué)甘肅省

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

在Market1501數(shù)據(jù)集上訓(xùn)練原始BDB網(wǎng)絡(luò)的損失曲線

碩士學(xué)位論文27表4.1BNNeck結(jié)合BDB網(wǎng)絡(luò)不同分支的識別性能比較方法CUHK-LabelCUHK-DetectDukeMTMCMarket1501Rank-1mAPRank-1mAPRank-1mAPRank-1mAPBDBBaselineGlobal+BNDropBlock+BNBothBranch+BN78.480.080.182.874.777.678.480.375.478.876.680.172.575.174.277.288.187.888.188.475.175.375.775.894.493.994.294.385.484.985.386.2表4.1是BNNeck（BN）分別單獨(dú)結(jié)合BDB網(wǎng)絡(luò)的全局特征分支或是批特征消除分支的實(shí)驗(yàn)結(jié)果和BNNeck結(jié)構(gòu)同時結(jié)合兩個分支的實(shí)驗(yàn)結(jié)果。其中BNNeck同時結(jié)合兩個分支的實(shí)驗(yàn)結(jié)果在CUHK03和DukeMTMC-reID數(shù)據(jù)集上均達(dá)到最佳結(jié)果，特別是在CUHK-Detect數(shù)據(jù)集上本章改進(jìn)方法相比BDBBaseline的Rank-1提升了4.7%，mAP提升了4.7%。為了觀察BNneck結(jié)構(gòu)對Softmax損失和三元組損失的影響，本文在Market1501數(shù)據(jù)集中訓(xùn)練原始BDB網(wǎng)絡(luò)和BNNeck結(jié)合兩個分支的模型，圖4.4是訓(xùn)練兩個模型得到的三元組損失和Softmax損失的損失曲線。圖4.4在Market1501數(shù)據(jù)集上訓(xùn)練原始BDB網(wǎng)絡(luò)的損失曲線圖4.5在Market1501數(shù)據(jù)集上訓(xùn)練BNneck結(jié)合BDB網(wǎng)絡(luò)的損失曲線


本文編號：3375257