目录

一、引言

二、深度学习基本概念

三、损失函数

---

一、引言

1、在不同的监控检测同一行人，实现行人的监测。

2、文本描述行人特征。根据文本描述寻找行人。

是图像检索问题，检索对象是行人。

标本图像与待查询图像相似度对比，相似度从高到低排名。

怎么找相似度？可以用特征。如目标行人上半身白色，下半身黑色。

或者完善特征，一个穿白色T-shirt短袖，黑色长裤，背红色书包留短发的女人。

所有图像形成特征向量，

训练集与测试集来自同一场景。如都是在冬天同一路口的行人。

挑战：行人近大远小，近图像质量高。

背景不同：有人被车挡住

光照不同：白天黑夜，晴雨天

不同角度：正侧面、有高有低

第一个问题没记下来

域（domain）自适应问题，训练集与测试集在不同的场景之中。

如何经过少量训练，实现精度的大幅提升？

上面四个挑战再加两个穿衣不一样、人种不一样。

无监督行人识别问题，没有准确标记数据。

域泛化行人识别问题

网络多目标跟踪MOT问题

关键：物体检测、人物特征处理、同一人匹配

部分人部分时间被挡住了，实时系统。（要快）

一个人每时每刻的追踪：多目标多摄像头匹配问题。

二、深度学习基本概念

有监督问题（分类、回归）

无监督学习（聚类、数据降维）

人工神经网络：输入层、隐含层、输出层

DNN  CNN 迁移学习

三、损失函数

Cross-entropy loss

Triplet Loss

后面听不懂了，想象不出具体的模型。

Part-based Convolutional Baseline PCB RPP

SPGAN