论文目录 | |
摘要 | 第1-6页 |
abstract | 第6-7页 |
第一章 绪论 | 第10-17页 |
1.1 研究工作的背景与意义 | 第10-11页 |
1.2 国内外研究历史与现状 | 第11-13页 |
1.3 论文的主要工作及结构安排 | 第13-17页 |
1.3.1 论文主要工作 | 第13-15页 |
1.3.2 论文结构安排 | 第15-17页 |
第二章 基础理论和相关技术 | 第17-32页 |
2.1 深度学习与数据增强 | 第17-20页 |
2.1.1 深度学习与数据 | 第17-18页 |
2.1.2 数据增强技术 | 第18-20页 |
2.2 行人重识别与卷积神经网络 | 第20-31页 |
2.2.1 行人重识别概论 | 第20-23页 |
2.2.2 卷积神经网络 | 第23-25页 |
2.2.3 基于ResNet-50 网络的行人重识别 | 第25-28页 |
2.2.4 基于DenseNet-121 网络的行人重识别 | 第28-31页 |
2.3 本章小结 | 第31-32页 |
第三章 基于网络种群训练PBT的行人图像预处理增强技术 | 第32-43页 |
3.1 卷积神经网络中图像预处理增强 | 第32-35页 |
3.2 深度网络模型中参数优化方法 | 第35-38页 |
3.2.1 并行搜索和序列优化缺点分析 | 第35-36页 |
3.2.2 基于网络种群训练PBT的参数优化 | 第36-38页 |
3.3 基于重识别网络种群训练的预处理增强方法 | 第38-39页 |
3.4 实验结果对比与分析 | 第39-42页 |
3.5 本章小结 | 第42-43页 |
第四章 基于无监督生成式的行人数据增强 | 第43-60页 |
4.1 无监督式行人图像生成技术研究 | 第43-51页 |
4.1.1 基于pix2pix网络的行人图像生成 | 第43-46页 |
4.1.2 基于条件输入的多尺度判别网络及其行人图像生成 | 第46-48页 |
4.1.3 实验结果对比与分析 | 第48-51页 |
4.2 行人标签分配技术研究 | 第51-59页 |
4.2.1 基于LSRO的行人标签分配方法 | 第51-52页 |
4.2.2 基于MPRL的行人标签分配方法 | 第52-53页 |
4.2.3 实验结果对比与分析 | 第53-59页 |
4.3 本章小结 | 第59-60页 |
第五章 基于有监督生成式的行人数据增强 | 第60-76页 |
5.1 有监督式行人图像生成技术研究 | 第60-67页 |
5.1.1 基于cycleGAN网络的行人图像生成 | 第60-62页 |
5.1.2 基于图像对输入的循环生成网络及其行人图像生成 | 第62-64页 |
5.1.3 实验结果对比与分析 | 第64-67页 |
5.2 行人标签分配技术研究 | 第67-74页 |
5.2.1 基于one-hot的行人标签分配方法 | 第68页 |
5.2.2 基于LSR的行人标签分配方法 | 第68-70页 |
5.2.3 实验结果对比与分析 | 第70-74页 |
5.3 本章小结 | 第74-76页 |
第六章 全文总结与展望 | 第76-78页 |
6.1 全文总结 | 第76-77页 |
6.2 后续工作展望 | 第77-78页 |
致谢 | 第78-79页 |
参考文献 | 第79-85页 |
攻读硕士学位期间取得的成果 | 第85页 |