基于视觉感知的行为识别方法的研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状及发展趋势 | 第12-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第二章 相关理论与技术研究 | 第17-31页 |
| 2.1 视皮层感知原理 | 第17-21页 |
| 2.1.1 感受野 | 第17-20页 |
| 2.1.1.1 简单细胞 | 第18页 |
| 2.1.1.2 复杂细胞 | 第18-20页 |
| 2.1.2 拓扑结构 | 第20-21页 |
| 2.2 基于视觉感知的特征学习算法 | 第21-30页 |
| 2.2.1 稀疏编码 | 第21-24页 |
| 2.2.1.1 模型概述 | 第21-22页 |
| 2.2.1.2 学习算法 | 第22-23页 |
| 2.2.1.3 特征的可视化 | 第23-24页 |
| 2.2.1.4 拓扑稀疏编码 | 第24页 |
| 2.2.2 独立分量分析 | 第24-28页 |
| 2.2.2.1 模型概述 | 第25页 |
| 2.2.2.2 学习算法 | 第25-27页 |
| 2.2.2.3 特征的可视化 | 第27-28页 |
| 2.2.3 独立子空间分析 | 第28-30页 |
| 2.2.3.1 模型概述 | 第28-29页 |
| 2.2.3.2 学习算法 | 第29页 |
| 2.2.3.3 特征的可视化 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 特征提取的核心算法设计 | 第31-44页 |
| 3.1 ISA模型 | 第31-35页 |
| 3.1.1 目标函数 | 第31-32页 |
| 3.1.2 学习算法 | 第32-35页 |
| 3.1.2.1 常规梯度 | 第33页 |
| 3.1.2.2 相对梯度 | 第33-35页 |
| 3.2 特征分析 | 第35-38页 |
| 3.2.1 简单神经元的响应特征 | 第36页 |
| 3.2.2 复杂神经元的响应特征 | 第36-37页 |
| 3.2.3 时空特性 | 第37-38页 |
| 3.3 特征提取模型 | 第38-43页 |
| 3.3.1 卷积神经网络 | 第39-41页 |
| 3.3.2 栈式网络模型 | 第41-42页 |
| 3.3.3 栈式卷积ISA模型 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 系统设计与实现 | 第44-63页 |
| 4.1 数据样本的采样 | 第44-46页 |
| 4.2 数据的预处理 | 第46-50页 |
| 4.2.1 数据归一化 | 第47-48页 |
| 4.2.2 数据白化 | 第48-50页 |
| 4.3 特征提取 | 第50-56页 |
| 4.3.1 模型训练过程 | 第51-55页 |
| 4.3.2 特征提取过程 | 第55-56页 |
| 4.4 特征聚类 | 第56-60页 |
| 4.4.1 K-means聚类 | 第57-59页 |
| 4.4.2 矢量化表示 | 第59-60页 |
| 4.5 分类/识别 | 第60-62页 |
| 4.5.1 训练 | 第61页 |
| 4.5.2 预测 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 实验与分析 | 第63-72页 |
| 5.1 实验数据与开发平台 | 第63-65页 |
| 5.1.1 实验数据 | 第63-64页 |
| 5.1.2 开发环境及工具 | 第64-65页 |
| 5.2 实验结果与分析 | 第65-71页 |
| 5.2.1 学习算法的实验结果与分析 | 第65-67页 |
| 5.2.2 特征提取的实验结果与分析 | 第67-69页 |
| 5.2.3 行为识别的实验结果与分析 | 第69-71页 |
| 5.3 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 工作总结 | 第72页 |
| 6.2 主要创新点 | 第72-73页 |
| 6.3 工作展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻硕期间的研究成果 | 第79-80页 |
