基于深度学习框架的动作识别研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 动作识别的研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 主要研究方法 | 第10-11页 |
| 1.2.2 主要面临的挑战 | 第11-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第2章 本文的相关研究工作 | 第13-25页 |
| 2.1 基于传统方法的动作识别研究 | 第13-20页 |
| 2.1.1 由图像扩展而来的视频特征 | 第13-15页 |
| 2.1.2 时空局部兴趣点特征 | 第15-17页 |
| 2.1.3 轨迹特征 | 第17-20页 |
| 2.2 基于深度学习方法的动作识别研究 | 第20-24页 |
| 2.2.1 深度学习与图像识别 | 第20页 |
| 2.2.2 空间网络用于动作识别 | 第20-22页 |
| 2.2.3 空间网络和时间网络结合用于动作识别 | 第22-24页 |
| 2.3 相关数据集与竞赛 | 第24-25页 |
| 第3章 局部特征与深度特征融合的动作识别方法 | 第25-36页 |
| 3.1 算法框架描述 | 第25-26页 |
| 3.2 局部特征表示 | 第26-28页 |
| 3.2.1 局部特征提取 | 第26-27页 |
| 3.2.2 PCA与白化处理 | 第27页 |
| 3.2.3 编码与量化 | 第27-28页 |
| 3.3 深度学习特征表示 | 第28-31页 |
| 3.3.1 深度卷积网络 | 第28-29页 |
| 3.3.2 多尺度LCD特征 | 第29-30页 |
| 3.3.3 编码与量化 | 第30-31页 |
| 3.4 特征融合与分类 | 第31页 |
| 3.5 本章实验与分析 | 第31-35页 |
| 3.5.1 数据集与评价指标 | 第31-32页 |
| 3.5.2 结果与分析 | 第32-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 卷积层特征池化的动作识别方法 | 第36-48页 |
| 4.1 相关方法存在的问题 | 第36-37页 |
| 4.2 算法框架描述 | 第37-38页 |
| 4.3 卷积特征提取 | 第38-39页 |
| 4.3.1 空间网络 | 第38页 |
| 4.3.2 时间网络 | 第38-39页 |
| 4.3.3 提取卷积层特征 | 第39页 |
| 4.4 特征池化和描述子生成 | 第39-41页 |
| 4.4.1 轨迹池化 | 第39-40页 |
| 4.4.2 直线池化 | 第40-41页 |
| 4.5 编码与分类 | 第41-42页 |
| 4.6 本章实验与分析 | 第42-47页 |
| 4.6.1 数据集 | 第42页 |
| 4.6.2 探究实验 | 第42-43页 |
| 4.6.3 性能评估 | 第43-46页 |
| 4.6.4 和当前最好性能的比较 | 第46-47页 |
| 4.7 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 发表论文和参加科研情况说明 | 第53-54页 |
| 致谢 | 第54-55页 |
