论文基于深度学习的行人重识别经典算法，该文是算法研究方面有关论文范文跟深度和算法和识别方面毕业论文怎么写.
摘 要：在深度学习大热的背景之下,选取了几种基于深度学习的优秀的行人重识别算法,并比较这些方法在不同数据集上面的表现,分析它们之间的优势和劣势,以及这些算法适用的场合.
关键词：行人重识别；卷积神经网络；tripletloss
一、几种行人重识别深度学习经典方法的比较
（一）Multi-ChannelParts-basedCNNModelwithImprovedTripletLossFunction
2016年,DeCheng等人提出了一种多通道基于身体部位的卷积神经网络模型,并结合改善的tripletloss函数来进行最终的行人再识别.本文对传统tripletloss做了一个改进,改进后损失函数进一步达到类内距小于预设定的边界.
1、Multi-ChannelParts-BasedCNN.一是全局模型,通过Crop全图做卷积神经网络；二是部分比较模型,将图像水平分割为多个部分.本文将图像分隔为4个部分,最后通过全连接形成N维特征.
2、improvedtripletloss.通过构造一个三元组（<I,I+,I->）进行样本训练,来驱动卷积神经网络的改进.其中,I为原样本,I+为阳性样本,I-为阴性样本,通过Triplet构造约束满足：Dist（I,I+）+T1<Dist（I,I-）,也就是说,要确保类内距离小于类间距离,在这个基础上,加入第二个约束条件,即类内距离要小于一个常量.这样就得到了totalloss：
3.训练算法.采用随机梯度下降法（SGD）进行训练.
4.在数据集上的表现（见图1）.
其中,oursT是从深度卷积网络模型移除4个身体部分通道,运用原始的tripletsloss去训练这个网络；TC与T属于相同的网络模型,但运用了improvedtripletloss去训练；TP是用了多通道卷积神经网络模型的全视角训练；TPC与TP属于一样的网络模型,但纳入了improvedtripletloss.
5、总结.这个方法把身体水平分成了四个部分,通过赋予较大的权值,得到一个避免动作造成误差的方法,改善了图像识别中由于人的动作造成的误差.
（二）ADiscriminativelyLearnedCNNEmbeddingforPersonRe-identification
1、identificationmodel.2015年,ZhedongZheng等人融合了identificationmodel和verificationmodel,在数据有限的时候,verification用contrastiveloss会导致过拟合,所以采用了cross-entropy.本文采用的dropout拥有降低数据过拟合风险的性质,同时还拥有模型融合的效果.
2、测试方法.对于gallery图库图像,前向计算卷积特征f,并保存在本地；对于probe图片,前向提取特征后保存在本地中；通过比较两者的欧式距离来对gallery中的图进行rank.
3.数据集上的表现（见图2）.
4、总结.本文同时考虑identifi-cationloss和verificationloss的siamese网络,可以在同一时间学习一个discrimi-nativeembedding和similaritymeasurem-ent,这个方法在两个主流行人重识别的benchmark上超过了基准.另外,这个方法在实例检索任务中显示出了潜在的能力.
（三）Top-pushVideo-basedPersonRe-identification
1、TDL方法.2016年,JinjieYou等人通过对“TopRankOptimizationinLinearTime”这篇文章的拓展,提出了TDL,即Top-pushdistancelearning模型.TDL是一种空间映射,目的在于减少类内距离,增加类间距离,提高目标的可区分度.
2.TDL目标.
一是最小化类内距离：
二是使最小类间距离小于类内距离：
将上式写成如下形式：
当D（x,x+）+ρ小于D（x,x-）时,符合判别公式,Loss值<0.因此,该子项maxLoss0等于0.结合正样本的类内距离,约束D（xi,xj）,我们得到TDL的损失函数：
对M求偏导,得到梯度函数：
3、算法.采用马氏距离度量,将距离转换为矩阵的Trace,Dx（x,y）等于tr（MXi,j）,训练过程采用随机剃度下降法,通过不断迭代更新来优化M.
4、数据集表现.我们在PRID数据集上测试了10次,取平均值,分别为：58.5393,80.7865,87.4157,91.4607,
93.2584；在iLIDS上的表现：平均值
分别为：56.2000,88.2667,95.2667,
97.0667,97.8000.
5、总结.TDL方法采用了一个top-push约束来量化模糊videorepresent-ation,形成的距离模型可以更有效地实现基于视频的行人重识别的top-rank性能.
(四)用生成对抗网络方法生成的图像做训练
数据集的数据量不足也同样是行人重识别的一个限制因素,针对这个问题,ZhedongZheng在2017年提出了利用当今比较流行的生成对抗网络来生成图像做训练,弥补现在re-ID里面每类样本比较少的问题.
二、不同方法的对比
这里选取了i-LIDS和PRID数据集作为对比标准来对比三种算法的表现.
(一)三种算法平均表现
因为不同数据集的侧重点不同,三种深度学习的re-ID方法在不同数据集上的平均表现做了对比,见图5.
(二)结果分析
就以上三种方法,ADiscriminativelyLearnedCNNEmbeddingforPersonRe-identification方法平均表现最佳,即可在光照变化较大的环境下,又可在有遮挡物的环境下体现出较为优秀的人员识别状态.而Multi-ChannelParts-basedCNN方法对于bias变化较为敏感,尤其在PRID2011数据集上表现欠佳.
(三)用生成对抗网络做数据增强
通过LSRO方法,将无标记的生成对抗网络图像与标记的真实训练图像混合,同时进行半监督学习后的数据集测试平均数见图6.
可以看出,通过生成对抗网络做数据增强（虚线）,可以防止过拟合,不同程度上提高算法的行人重识别效果.用生成对抗网络做训练被认为是深度学中很具有发展前景的方法,在行人重识别中也具有很大的潜力.
三、结论
这篇文章主要介绍了基于深度学习的三种经典方法,并根据它们在数据集上的平均表现对这些算法做了一些评估与优势略施分析.
我们发现,ZhedongZheng等人融合了identification模型和verification模型,采用了cross-entropy,降低了数据过拟合风险,从而展现出了相对优于其他两种方法的表现.尤其是RANK1,以绝对的优势超越了另外两种方法.这种方法具有深入研究的价值.其次,TDL方法采用了一个top-push约束来量化模糊videorepresentation,适用于基于视频的行人重识别.另外,由于不同数据集的侧重点有不同程度的差别（如光照,对比度等）,用生成对抗网络生成图像是从原来的训练数据里生成出来的,和原来的数据集更相似,接近实际的test数据集.因此,比直接多个数据集联合训练更容易提高效果.所以,对于行人重识别来说,用生成对抗网络去生成图像做训练可以扩大数据集的数据量,可以更好地为深度学习方法做训练.
作者简介：王蕴绮(1996-),女,山西太原人,本科生,研究方向：计算机视觉.
（责任编辑 刘常兴）
综上所述，此文为一篇大学硕士与算法研究本科算法研究毕业论文开题报告范文和相关优秀学术职称论文参考文献资料，关于免费教你怎么写深度和算法和识别方面论文范文.
参考文献：
1、 基于深度学习的人脸识别门禁系统 刘志鹏 郑州中学【摘要】 现在的智能门禁系统多数是基于和刷卡……技术,虽在一定程度上给人们带来了便利,但存在一定安全隐患,如容易出现外泄以及门禁卡丢失……问题 近些年,基于深度学习的人脸识别技术得到了.
2、 基于深度学习的初中语文阅读教学策略 摘 要本文在对目前初中语文阅读教学存在的如教师对深度阅读认知不到位、教师缺乏对学生学情的掌握以及缺乏师生互动……问题进行分析的基础上,提出了要强调明确阅读目标、注重课堂活动以及充分发挥读书魅力的方.
3、 引导学生在信息技术课堂中进行深度学习 【关键词】深度学习；信息技术；学习样态【中图分类号】G623 28 【文献标志码】A 【文章编号】10056009（2018）73007902深度学习是一种有意义的学习方式,也是一种回归人本性的学.
4、 动手操作数学深度学习的开始 江苏南通市新桥小学 （226000） 徐玲玲摘 要 要实现 深度学习, 既要学生手里有操作, 又要学生脑里有方法 而动手操作能满足学生的学习需要 设置操作活动时, 教师要用开放的观念把学习的主动权交给.
5、 让学讲成为推动历史深度学习的有力抓手 摘要历史课堂教学必须扎实推进“学讲”,以推动历史学科的深度学习 深度学习已经成为推动未来教育发展、适应学生个性化需求的有力抓手 在历史课堂教学中,教师可以根据历史学科的特质,将.
6、 专题任务驱动：深度学习视角下的名著阅读教学 【摘要】统编教材“名著导读”的编写有了重大变化,体现了先进理念,突出了“阅读方法指导”与“专题探究” “专题探究&r.