基于可靠未标记样本筛选的半监督行人重识别研究.pdfVIP

目录

摘要I

ABSTRACTII

第一章绪论1

1.1研究背景及意义1

1.1.1研究背景1

1.1.2研究意义3

1.2国内外研究现状4

1.2.1基于完全监督学习的行人重识别研究现状4

1.2.2基于无监督学习的行人重识别研究现状4

1.2.3基于生成对抗网络的行人重识别研究现状5

1.2.4基于半监督学习的行人重识别研究现状5

1.3论文的研究内容及创新点7

1.3.1研究内容7

1.3.2创新点8

1.4论文组织结构9

1.5本章小结10

第二章相关理论及技术介绍11

2.1深度学习相关技术11

2.1.1卷积神经网络模型11

2.1.2生成对抗网络模型12

2.2行人重识别相关技术13

2.2.1基于表征学习的行人重识别13

2.2.2基于度量学习的行人重识别14

2.3弱监督学习相关技术15

2.3.1度量学习15

2.3.2表征学习15

2.4数据集和评估指标17

2.4.1行人重识别数据集17

2.4.2模型评估指标17

2.5本章小结17

第三章基于可靠未标记样本筛选的半监督行人重识别18

3.1引言18

3.2拟议框架与筛选模块19

3.2.1半监督Re-ID框架19

3.2.2筛选可靠样本23

3.2.3筛选可靠样本对25

3.3实验设计及分析28

3.3.1实验设置28

3.3.2主要实验结果29

3.3.3参数分析34

3.4本章小结37

第四章基于多重扰动一致性学习的不可靠样本训练策略38

4.1引言38

4.2双特征一致性学习模块39

4.2.1双特征一致性学习39

4.2.2Semi-DGNet41

4.2.3多重扰动43

4.3实验设计与分析45

4.3.1实验设置45

4.3.2主要实验结果45

4.3.3参数分析50

4.4本章小结51

第五章总结与展望52

5.1总结52

5.2展望52

参考文献54

致谢62

攻读学位期间的成果63

摘要

行人重识别（Personre-identification，Re-ID）指对同一目标行人跨摄像机图像检索，

其在刑事侦查、智能监控等领域内颇具应用前景。主流的方法是通过收集大量跨摄像机

行人图像构建数据集，人工标注其样本身份，利用该大规模数据集训练深度神经网络。

然而，标注行人身份需要高昂时间及人力成本。因此，本论文考虑不完全标注行人图像

的情况，针对现有方法对未标记数据利用不可靠、不充分的问题，设计了基于半监督学

习的行人重识别模型算法，提高了模型在该设置下的识别性能，有效降低人工成本。

首先，本论文提出了一个三阶段、两分支的半监督行人重识别框架。该框架应用渐

进式的训练流程，并集成三种训练未标记数据的策略：基于伪标签估计技术的表征学习、

基于样本间正/负对关系的度量学习，以及特征一致性学习。由于三种策略对样本监督信