论文目录 | |
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 特征提取的研究现状 | 第12-14页 |
| 1.2.2 细粒度分类的研究现状 | 第14页 |
| 1.2.3 度量学习的研究现状 | 第14-16页 |
| 1.2.4 无监督学习的研究现状 | 第16页 |
| 1.3 算法评测标准 | 第16-18页 |
| 1.4 本文的主要工作和安排 | 第18-20页 |
| 1.4.1 论文主要工作 | 第18-19页 |
| 1.4.2 论文结构安排 | 第19-20页 |
| 第二章 基于单帧图像的车辆再识别 | 第20-34页 |
| 2.1 引言 | 第20页 |
| 2.2 相关工作 | 第20-24页 |
| 2.2.1 卷积神经网络（Convolutional Neural Network, CNN） | 第20-23页 |
| 2.2.2 三元组损失（Triplet Loss） | 第23-24页 |
| 2.3 基于单帧图像的车辆再识别框架 | 第24-25页 |
| 2.4 深入挖掘样本信息的度量学习 | 第25-28页 |
| 2.5 增强鲁棒性的标签平滑交叉熵 | 第28-29页 |
| 2.6 实验 | 第29-32页 |
| 2.6.1 数据集 | 第29-30页 |
| 2.6.2 实验设置 | 第30页 |
| 2.6.3 实验结果与分析 | 第30-32页 |
| 2.7 本章小结 | 第32-34页 |
| 第三章 基于序列图像的车辆再识别 | 第34-48页 |
| 3.1 引言 | 第34页 |
| 3.2 相关工作 | 第34-35页 |
| 3.2.1 循环神经网络（Recurrent Neural Network,RNN） | 第34-35页 |
| 3.2.2 三维卷积网络（3D Convolutional Neural Network） | 第35页 |
| 3.3 基于序列图像的车辆再识别框架 | 第35-36页 |
| 3.4 序列特征提取方法 | 第36-41页 |
| 3.4.1 三维卷积（3D Convolutional,C3D） | 第36-37页 |
| 3.4.2 长短期记忆网络（Long Short-Term Memory, LSTM） | 第37-38页 |
| 3.4.3 时域池化（Temporal Pooling, TP） | 第38-39页 |
| 3.4.4 时域注意力（Temporal Attention, TA） | 第39-40页 |
| 3.4.5 压缩与激活（Squeeze and Excitation, SE） | 第40-41页 |
| 3.5 实验 | 第41-46页 |
| 3.5.1 数据集 | 第41页 |
| 3.5.2 实验设置 | 第41页 |
| 3.5.3 参数实验 | 第41-43页 |
| 3.5.4 对比实验 | 第43-45页 |
| 3.5.5 消融实验 | 第45-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 基于无监督学习的车辆再识别 | 第48-56页 |
| 4.1 引言 | 第48-49页 |
| 4.2 相关工作 | 第49-51页 |
| 4.2.1 K均值聚类 | 第49-50页 |
| 4.2.2 软多标签生成 | 第50-51页 |
| 4.3 基于无监督学习的车辆再识别框架 | 第51页 |
| 4.4 软多标签三元组 | 第51-52页 |
| 4.5 特征参考正交化 | 第52-53页 |
| 4.6 实验 | 第53-55页 |
| 4.6.1 实验设置 | 第53页 |
| 4.6.2 对比实验 | 第53-54页 |
| 4.6.3 样本数量实验 | 第54-55页 |
| 4.7 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 本文总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间取得的研究成果 | 第64页 |
