行人重識(shí)別是指在跨攝像頭或跨場景情況下,基于多攝像頭拍攝的行人視頻數(shù)據(jù),實(shí)現(xiàn)目標(biāo)行人的識(shí)別與檢索問題。近幾年隨著深度學(xué)習(xí)的快速發(fā)展及其在計(jì)算機(jī)視覺領(lǐng)域應(yīng)用的不斷加深,行人重識(shí)別的性能已經(jīng)獲得了極大的提升,然而,針對實(shí)際應(yīng)用,行人重識(shí)別任務(wù)仍面臨著極大的技術(shù)挑戰(zhàn):1)行人重識(shí)別模型難以泛化擴(kuò)展,成為限制行人重識(shí)別實(shí)際應(yīng)用的很大阻礙;2)數(shù)據(jù)集的規(guī)模不夠也制約著行人重識(shí)別的進(jìn)一步發(fā)展。本文基于深度學(xué)習(xí)技術(shù),從不同層面,研究提出解決行人重識(shí)別問題的方法,具體包括:(1)針對單樣本視頻行人重識(shí)別面臨的圖像序列特征雜亂問題,結(jié)合多目標(biāo)函數(shù),提出了基于深度判別網(wǎng)絡(luò)的行人重識(shí)別模型。在本章中主要解決了以下幾個(gè)問題:1)考慮單樣本視頻數(shù)據(jù)集特點(diǎn),每個(gè)行人只有一個(gè)圖像序列數(shù)據(jù),但其中也蘊(yùn)含豐富的特征信息,如時(shí)序信息、同一行人的不同視角信息以及姿態(tài)信息等,提出了序列結(jié)合圖像的混合損失函數(shù)算法用于提純序列圖像中行人的特征信息,使模型獲得更好的魯棒性;2)在模型訓(xùn)練階段,采用了一種新穎的逐步學(xué)習(xí)的半監(jiān)督學(xué)習(xí)采樣策略,在誤差可接受的范圍內(nèi),逐步利用未標(biāo)記數(shù)據(jù)來提升模型性能;3)為了使模型提取更具判別性的行人特征...

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型

中國民航大學(xué)碩士學(xué)位論文10AlexNet模型被提出后，直到現(xiàn)在，ILSVRC中圖像分類比賽的獲勝者一直為卷積神經(jīng)網(wǎng)絡(luò)模型，并且錯(cuò)誤率已經(jīng)降至幾個(gè)百分點(diǎn)。隨時(shí)間推移，一些經(jīng)典的CNN模型，如圖2-1所示：圖2-1卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型圖2-1展示了深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展路線。201....

圖2-2自訓(xùn)練過程

中國民航大學(xué)碩士學(xué)位論文11得比只使用有標(biāo)簽樣本數(shù)據(jù)訓(xùn)練的分類器性能更好的分類器，而半監(jiān)督分類算法主要包含五種，分別是：自訓(xùn)練算法、基于圖的半監(jiān)督算法、半監(jiān)督支持向量機(jī)、生成式的半監(jiān)督學(xué)習(xí)以及基于分歧的半監(jiān)督學(xué)習(xí)。圖2-2自訓(xùn)練過程自訓(xùn)練算法是一種增量算法，如圖2-2所示，首先用....

圖2-3基于深度學(xué)習(xí)的行人重識(shí)別基礎(chǔ)流程

中國民航大學(xué)碩士學(xué)位論文122.3行人重識(shí)別圖2-3基于深度學(xué)習(xí)的行人重識(shí)別基礎(chǔ)流程行人重識(shí)別主要是解決跨攝像頭檢索行人的圖像或視頻序列問題的一種技術(shù)手段，通用的行人重識(shí)別基礎(chǔ)流程如圖2-3所示。繼2014年深度學(xué)習(xí)首次應(yīng)用于行人重識(shí)別領(lǐng)域后，后續(xù)基于深度學(xué)習(xí)的行人重識(shí)別模型的研....

圖2-4三元組損失示意圖

中國民航大學(xué)碩士學(xué)位論文14圖2-4三元組損失示意圖與對比損失不同，三元組損失所需數(shù)據(jù)是以三個(gè)為一組的，如圖2-4所示，分別包含了一個(gè)正樣本對以及一個(gè)負(fù)樣本對，而三元組損失的目的則是通過訓(xùn)練后，使得正樣本更加相近，而負(fù)樣本對則遠(yuǎn)離。三元組損失公式如下：()()()()2222=a....

本文編號(hào)：3954255