基于3D卷积神经网络的行为识别算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究现状 | 第9-13页 |
| 1.2.1 基于人工设计的特征 | 第11-12页 |
| 1.2.2 基于深度学习的特征 | 第12-13页 |
| 1.3 公共数据集 | 第13-14页 |
| 1.4 论文的主要研究内容 | 第14-15页 |
| 1.5 论文的章节安排 | 第15-16页 |
| 2 相关理论基础 | 第16-33页 |
| 2.1 神经网络基础 | 第16-20页 |
| 2.1.1 前向神经网络结构 | 第16-18页 |
| 2.1.2 梯度下降算法 | 第18-19页 |
| 2.1.3 误差反向传播算法 | 第19-20页 |
| 2.2 卷积神经网络的组成 | 第20-31页 |
| 2.2.1 2D卷积层 | 第20-21页 |
| 2.2.2 3D卷积层 | 第21-22页 |
| 2.2.3 池化层 | 第22-23页 |
| 2.2.4 全连接层 | 第23-24页 |
| 2.2.5 损失函数 | 第24页 |
| 2.2.6 分类层 | 第24-26页 |
| 2.2.7 激活函数 | 第26-28页 |
| 2.2.7.1 S型激活函数和正切激活函数 | 第26-27页 |
| 2.2.7.2 Relu激活函数 | 第27-28页 |
| 2.2.8 Dropout技术 | 第28-29页 |
| 2.2.9 参数初始化 | 第29-31页 |
| 2.3 卷积神经网络整体架构 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于3D卷积神经网络的行为识别 | 第33-39页 |
| 3.1 概述 | 第33-34页 |
| 3.2 3D卷积 | 第34-35页 |
| 3.3 基于3DCNN的行为识别 | 第35-37页 |
| 3.4 基于C3D神经网络的行为识别 | 第37-38页 |
| 3.5 C3D特征描述符 | 第38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 基于FAKE-3D神经网络的行为识别算法 | 第39-45页 |
| 4.1 FAKE-3D模块 | 第39-41页 |
| 4.2 FAKE-3D神经网络架构 | 第41-42页 |
| 4.3 FAKE-3D模块的不同设计 | 第42-44页 |
| 4.4 FAKE-3D视频描述符 | 第44页 |
| 4.5 本章小结 | 第44-45页 |
| 5.实验过程与分析 | 第45-54页 |
| 5.1 实验环境 | 第45页 |
| 5.2 实验数据集 | 第45-46页 |
| 5.3 数据预处理 | 第46页 |
| 5.4 网络训练 | 第46-52页 |
| 5.4.1 C3D神经网络训练 | 第46-49页 |
| 5.4.1.1 实验过程 | 第46-47页 |
| 5.4.1.2 实验结果 | 第47-49页 |
| 5.4.2 Fake-3D神经网络训练 | 第49-52页 |
| 5.4.2.1 探索Fake-3D模块结构 | 第49-50页 |
| 5.4.2.2 实验过程 | 第50-51页 |
| 5.4.2.3 实验结果 | 第51-52页 |
| 5.5 结果分析 | 第52-53页 |
| 5.6 本章小结 | 第53-54页 |
| 6.总结与展望 | 第54-56页 |
| 6.1 本文的主要工作 | 第54页 |
| 6.2 下一步的工作展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 作者简介 | 第60页 |
