基于視頻的行人重識(shí)別是視頻監(jiān)控工作中的一項(xiàng)重要任務(wù)。在已有的基于視頻的行人重識(shí)別方法中,基于度量學(xué)習(xí)的視頻行人重識(shí)別方法通過(guò)進(jìn)一步提升原始視頻特征的鑒別力,取得了一些令人欣喜的效果。然而這類(lèi)方法本身也存在一些不足之處。例如:（1）不同的負(fù)樣本所蘊(yùn)含的鑒別信息數(shù)量是不一致的,因而對(duì)度量學(xué)習(xí)的貢獻(xiàn)也是不相同的。然而這些基于度量學(xué)習(xí)的方法在處理不同負(fù)樣本時(shí)往往未進(jìn)行有效處理。（2）這些度量學(xué)習(xí)方法在訓(xùn)練過(guò)程中都依賴(lài)大量的有標(biāo)記數(shù)據(jù)。在實(shí)際應(yīng)用中,從非重疊攝像頭中采集并標(biāo)記出大量的行人視頻數(shù)據(jù)是一項(xiàng)耗時(shí)耗力的工作。鑒于上述存在的這些問(wèn)題,本文開(kāi)展了兩階段研究工作。本文首先提出了負(fù)樣本敏感度量學(xué)習(xí)方法。該方法在度量學(xué)習(xí)過(guò)程中,對(duì)所選擇的負(fù)樣本施加不同的懲罰因子,解決了不同負(fù)樣本對(duì)度量學(xué)習(xí)貢獻(xiàn)不一致的問(wèn)題。此外,本文還提出了基于遷移學(xué)習(xí)的無(wú)監(jiān)督度量學(xué)習(xí)方法。該方法將源數(shù)據(jù)集和目標(biāo)數(shù)據(jù)集投影至公共子空間,并在公共子空間中學(xué)習(xí)適合目標(biāo)數(shù)據(jù)集的度量模型。為了驗(yàn)證所提出方法的有效性,我們將提出的方法與現(xiàn)有的基于視頻的方法進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明,提出的負(fù)樣本敏感度量學(xué)習(xí)方法能夠更好地利用難分負(fù)樣本中包含的... 

【文章來(lái)源】：河南大學(xué)河南省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

可以看出，NSML模型取得了更優(yōu)的結(jié)果

第5章實(shí)驗(yàn)與評(píng)估49本文提出的TLUML方法在優(yōu)化過(guò)程中使用了交替迭代優(yōu)化算法。在每次迭代優(yōu)化過(guò)程中，需要交替更新{A，B}、V和W。在更新每個(gè)變量的過(guò)程中，對(duì)應(yīng)的子問(wèn)題目標(biāo)函數(shù)都是凸函數(shù)。為了評(píng)估TLUML在訓(xùn)練過(guò)程中的收斂情況，我們觀察了TLUML的目標(biāo)函數(shù)值在不同迭代次數(shù)情況下的變化情況。圖5-7和5-8展示了TLUML方法在PRID2011和iLIDS-VID分別作為目標(biāo)數(shù)據(jù)集情況下的收斂曲線。我們可以看到，TLUML目圖5-5NSML在PRID2011數(shù)據(jù)集上的收斂曲線。圖5-6NSML在iLIDS-VID數(shù)據(jù)集上的收斂曲線。

基于度量學(xué)習(xí)和遷移學(xué)習(xí)的視頻行人重識(shí)別研究50標(biāo)函數(shù)的能量值下降很快，在15次迭代之后就趨于穩(wěn)定。在大多數(shù)實(shí)驗(yàn)中，本文提出的TLUML方法都可以在20次以?xún)?nèi)達(dá)到收斂。5.6本章小結(jié)本章首先介紹了實(shí)驗(yàn)中采用的兩個(gè)公開(kāi)行人視頻數(shù)據(jù)集，然后描述了本文中采用的圖5-7TLUML在PRID2011作為目標(biāo)數(shù)據(jù)集情況下的收斂曲線。圖5-8TLUML在iLIDS-VID作為目標(biāo)數(shù)據(jù)集情況下的收斂曲線。


本文編號(hào)：3496318