基于視頻的行人重識別是視頻監(jiān)控工作中的一項重要任務。在已有的基于視頻的行人重識別方法中,基于度量學習的視頻行人重識別方法通過進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。然而這類方法本身也存在一些不足之處。例如:（1）不同的負樣本所蘊含的鑒別信息數量是不一致的,因而對度量學習的貢獻也是不相同的。然而這些基于度量學習的方法在處理不同負樣本時往往未進行有效處理。（2）這些度量學習方法在訓練過程中都依賴大量的有標記數據。在實際應用中,從非重疊攝像頭中采集并標記出大量的行人視頻數據是一項耗時耗力的工作。鑒于上述存在的這些問題,本文開展了兩階段研究工作。本文首先提出了負樣本敏感度量學習方法。該方法在度量學習過程中,對所選擇的負樣本施加不同的懲罰因子,解決了不同負樣本對度量學習貢獻不一致的問題。此外,本文還提出了基于遷移學習的無監(jiān)督度量學習方法。該方法將源數據集和目標數據集投影至公共子空間,并在公共子空間中學習適合目標數據集的度量模型。為了驗證所提出方法的有效性,我們將提出的方法與現有的基于視頻的方法進行了對比。實驗結果表明,提出的負樣本敏感度量學習方法能夠更好地利用難分負樣本中包含的... 

【文章來源】：河南大學河南省

【文章頁數】：71 頁

【學位級別】：碩士

【部分圖文】：

可以看出，NSML模型取得了更優(yōu)的結果

第5章實驗與評估49本文提出的TLUML方法在優(yōu)化過程中使用了交替迭代優(yōu)化算法。在每次迭代優(yōu)化過程中，需要交替更新{A，B}、V和W。在更新每個變量的過程中，對應的子問題目標函數都是凸函數。為了評估TLUML在訓練過程中的收斂情況，我們觀察了TLUML的目標函數值在不同迭代次數情況下的變化情況。圖5-7和5-8展示了TLUML方法在PRID2011和iLIDS-VID分別作為目標數據集情況下的收斂曲線。我們可以看到，TLUML目圖5-5NSML在PRID2011數據集上的收斂曲線。圖5-6NSML在iLIDS-VID數據集上的收斂曲線。

基于度量學習和遷移學習的視頻行人重識別研究50標函數的能量值下降很快，在15次迭代之后就趨于穩(wěn)定。在大多數實驗中，本文提出的TLUML方法都可以在20次以內達到收斂。5.6本章小結本章首先介紹了實驗中采用的兩個公開行人視頻數據集，然后描述了本文中采用的圖5-7TLUML在PRID2011作為目標數據集情況下的收斂曲線。圖5-8TLUML在iLIDS-VID作為目標數據集情況下的收斂曲線。


本文編號：3496318