行人再識別指的是將“探測”相機(jī)中一些感興趣的人與從其他“探測”相機(jī)所捕獲的感興趣的行人候選者形成的大集合進(jìn)行比較,尋找與“探測”相機(jī)視圖中感興趣的人屬于同一目標(biāo)實(shí)體的對象�，F(xiàn)有的行人再識別方法主要可以歸納為兩大類:一類重點(diǎn)關(guān)注特征表示方法,改進(jìn)底層特征來更好地描述行人的體貌特征;另一類重點(diǎn)關(guān)注距離度量算法,來減少一個行人不同特征之間的差距。很多的現(xiàn)有方法利用全局特征作為行人的特征描述子,這樣的特征會存在忽略細(xì)節(jié)的問題,進(jìn)而使得再識別的準(zhǔn)確率變低。另一方面,被捕捉到的行人圖像所處的背景信息沒有得到足夠的重視,背景因素在一定程度上對行人再識別會產(chǎn)生影響。此外,在圖像顯著性研究領(lǐng)域內(nèi),群組圖像的協(xié)同顯著性檢測往往是建立在單圖顯著性的基礎(chǔ)之上的,現(xiàn)有的很多方法大多把二者進(jìn)行單獨(dú)的處理,很少有人采用一種統(tǒng)一的模式來同時解決單圖顯著性以及群組圖像協(xié)同顯著性的問題。針對以上幾點(diǎn)問題,本文首先提出了一種統(tǒng)一的顯著性檢測算法框架,同時關(guān)注于單圖顯著性以及群組協(xié)同顯著性,而后將該顯著性檢測方法應(yīng)用于基于視覺顯著性的實(shí)體判別網(wǎng)絡(luò)當(dāng)中,提出將屬性實(shí)體判別網(wǎng)絡(luò)與基于視覺顯著性的實(shí)體判別網(wǎng)絡(luò)進(jìn)行結(jié)合的組合方法框架... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１經(jīng)典的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖??Ｆｉｇｕｒｅ?２－１?Ｃｌａｓｓｉｃａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｔｏｐｏｌｏｇｙ??１０??

而將誤差進(jìn)行反向傳播。在訓(xùn)練的過程中，通過不斷地根據(jù)誤差來調(diào)整節(jié)點(diǎn)之間??連線的權(quán)值使得網(wǎng)絡(luò)最后的輸出結(jié)果可以與預(yù)期的輸出結(jié)果盡可能的相近，進(jìn)而??得到判別能力較好的網(wǎng)絡(luò)模型。圖２－２展示了一個多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該神經(jīng)網(wǎng)絡(luò)??一共有Ｇ層，每一層由多個節(jié)點(diǎn)構(gòu)成，其中第一層為輸入層，最后一層為輸出層，??其他層均為隱藏層！?????輸入層?隱藏層?｜輸出層??Ａ＊＞?—…兄??心一￣＂凡??Ｘ，????Ｘ？?Ｉ?Ｉ??圖２－２多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇｕｒｅ?２－２?Ｍｕｌｔｉ－ｌａｙｅｒ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??其中，輸入的信號信息被定義為：??Ｘ?＝?［ｘ，，ｘ２５－?？?？?－，ｘｍ］Ｔ，ｉ?＝?Ｕ２，－?？?？，?ｗ?（２－１）??輸出的向量被定義為：??歹七，？＂，＊＾，…，｝”］＇々：１，２，…，”?（２－２）??＼表示第ｇ層所包含的節(jié)點(diǎn)的個數(shù)，第ｇ層隱藏層的各個神經(jīng)元得到的輸出??被定義為：??ｃ（ｓ）?＝［ｃｌｇ），ｃ（２８），－－－，ｃ（／），－－－，ｃｉｓ８ｇ）］Ｔ?，ｊ?＝?＼，２，－－－，ｓｓ?（２－３）?

相關(guān)理論基礎(chǔ)綜述介紹??反饋類型的神經(jīng)網(wǎng)絡(luò)中最典型的是Ｈｏｐｆｉｅｌｄ網(wǎng)絡(luò)［３２］，該網(wǎng)絡(luò)既可以處理離散??型數(shù)據(jù)，也可以處理連續(xù)型數(shù)據(jù)。圖２－３展示的是Ｈｏｐｆｉｅｌｄ網(wǎng)絡(luò)的結(jié)構(gòu)圖。??—??—畫—??圖２－３?Ｈｏｐｆｉｅｌｄ神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖??Ｆｉｇｕｒｅ?２－３?Ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ｈｏｐｆｉｅｌｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??當(dāng)向訓(xùn)練好的Ｈｏｐｆｉｅｌｄ網(wǎng)絡(luò)中輸入一個樣本的時候，網(wǎng)絡(luò)將把此時作為初始??態(tài)，在初始狀態(tài)下，網(wǎng)絡(luò)經(jīng)過多個神經(jīng)元的處理后得到此時刻的輸出結(jié)果。網(wǎng)絡(luò)??經(jīng)過反饋機(jī)制得到下一個時刻的輸入信息，而后將新時刻的輸入信息喂給網(wǎng)絡(luò)，??進(jìn)而得到新時刻所對應(yīng)的網(wǎng)絡(luò)的輸出信息，利用反饋機(jī)制將輸出信息再次作為下??一個時刻的輸入信息，產(chǎn)生新的輸入樣本，再由新的樣本得到該對應(yīng)時刻的輸出??值，以此類推，不斷地循環(huán)進(jìn)行。經(jīng)過反饋機(jī)制的不斷操作，網(wǎng)絡(luò)最終達(dá)到穩(wěn)定??的狀態(tài)時，可以得到最終的輸出結(jié)果。??Ｈｏｐｆｉｅｌｄ網(wǎng)絡(luò)中的每個神經(jīng)元ｉ與ｊ之間連線的權(quán)重被定義為％


本文編號：2990264