隨著智能監(jiān)控設備與深度學習技術的飛速發(fā)展,多相機聯(lián)合監(jiān)控成為一個研究熱點。在多個不重疊區(qū)域對指定行人進行檢索的深度學習行人再識別技術已成為目前多相機聯(lián)合監(jiān)控的重要的研究方向,具有廣闊的應用價值與研究意義。在深度學習行人再識別技術的實際應用場景中,受復雜的環(huán)境因素影響,單一環(huán)境中標注的數(shù)據(jù)集訓練的深度學習網(wǎng)絡在跨環(huán)境使用時往往缺乏適應性與部署性。同時高額的標注成本限制了在新環(huán)境中打標訓練的可能。尋找能夠將已有模型運用于缺少標簽的新環(huán)境中的行人再識別遷移學習算法成為了一個受到廣泛關注的現(xiàn)實問題。論文針對行人再識別的遷移學習算法展開了研究,以基于SPGAN網(wǎng)絡的數(shù)據(jù)生成式遷移學習算法為基礎,對數(shù)據(jù)生成的風格遷移學習方法進行了改進。首先,本文提出一種采用語義分割掩膜的行人圖像遷移學習方法。通過利用語義分割網(wǎng)絡生成的掩膜對行人圖像中行人目標區(qū)域與背景區(qū)域加以區(qū)分,并結合回歸損失函數(shù)針對行人目標域身份信息進行損失約束,控制風格遷移網(wǎng)絡盡可能保持行人身份信息不損失,以進行跨域數(shù)據(jù)集的風格遷移學習。其后,將風格遷移學習獲得的遷移數(shù)據(jù)集在行人再識別網(wǎng)絡上進行特征再學習,提高目標域中行人再識別任務的性能,... 

【文章來源】：西安理工大學陜西省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

行人再識別過程示意圖

遷移學習分類Fig.2-1Transferlearningclassification

西安理工大學碩士學位論文10ResNet-50[43]作為行人再識別網(wǎng)絡，并采用與[41]相同的超參數(shù)設置。Resnet-50是一種典型的具有局部連接、權值共享等特點的卷積神經(jīng)網(wǎng)絡，常被用于圖像和視頻的分類任務中。其網(wǎng)絡結構如圖2-2所示。圖2-2Resnet-50網(wǎng)絡結構圖Fig.2-2TheArchitectureofResnet-50在此網(wǎng)絡結構中，大量模塊由基礎的卷積、殘差模塊、池化、激活函數(shù)等相關操作自由組合而成，下面將對這些基本模塊進行介紹。⑴卷積卷積層是卷積神經(jīng)網(wǎng)絡中的核心結構，其方法是使用多組不同的卷積核（一組由訓練

【參考文獻】：
期刊論文
[1]智能視頻監(jiān)控系統(tǒng)中行人再識別技術研究綜述[J]. 胡正平,張敏姣,李淑芳,孫德剛.  燕山大學學報. 2019(05)
[2]基于多尺度卷積特征融合的行人重識別[J]. 徐龍壯,彭力.  激光與光電子學進展. 2019(14)
[3]基于深度學習的行人重識別研究進展[J]. 羅浩,姜偉,范星,張思朋.  自動化學報. 2019(11)
[4]基于特征表示的行人再識別技術綜述[J]. 仇春春,楊星紅,程海粟,郭晶晶.  信息技術. 2016(07)
[5]基于距離匹配的行人再識別技術綜述[J]. 俞婧,仇春春,王恬,許金鑫.  微處理機. 2016(03)



本文編號：3134926