| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 2 人体行为识别相关工作概述 | 第16-28页 |
| 2.1 传统的人体行为识别方法 | 第16-18页 |
| 2.1.1 静态特征提取与动态特征提取 | 第16-18页 |
| 2.1.2 传统行为分类方法 | 第18页 |
| 2.2 深度学习行为识别相关网络 | 第18-23页 |
| 2.2.1 卷积神经网络 | 第19-21页 |
| 2.2.2 循环神经网络 | 第21-23页 |
| 2.3 基于深度学习的人体行为识别方法 | 第23-25页 |
| 2.3.1 3D CNN的方法 | 第23-24页 |
| 2.3.2 CNN与RNN结合的方法 | 第24-25页 |
| 2.3.3 双流(Two-stream)的方法 | 第25页 |
| 2.4 人体行为识别数据集 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 结合时空网络的深度学习人体行为识别 | 第28-51页 |
| 3.1 结合时空网络的深度学习人体行为识别方法 | 第28-29页 |
| 3.1.1 结合时空网络的深度学习人体行为识别模型的提出 | 第28页 |
| 3.1.2 结合时空网络的深度学习人体行为识别模型具体设计 | 第28-29页 |
| 3.2 光流特征提取 | 第29-33页 |
| 3.2.1 TVL-1算法光流特征提取 | 第30-31页 |
| 3.2.2 光流图像生成 | 第31-33页 |
| 3.3 基于迁移学习的深层视觉特征提取 | 第33-36页 |
| 3.3.1 BN-Inception结构搭建网络 | 第33-35页 |
| 3.3.2 迁移学习提取深层视觉特征 | 第35-36页 |
| 3.4 基于序列学习的高层语义特征提取 | 第36-38页 |
| 3.4.1 IndRNN结构搭建网络 | 第36-37页 |
| 3.4.2 序列学习提取高层语义特征 | 第37-38页 |
| 3.5 实验设计及结果分析 | 第38-49页 |
| 3.5.1 实验环境与视频预处理 | 第38-40页 |
| 3.5.2 网络结构具体设计 | 第40-43页 |
| 3.5.3 过拟合问题与应对策略 | 第43-47页 |
| 3.5.4 训练参数设计 | 第47页 |
| 3.5.5 实验结果分析 | 第47-49页 |
| 3.6 本章小结 | 第49-51页 |
| 4 融合时空网络与注意力机制的人体行为识别 | 第51-62页 |
| 4.1 注意力机制概述 | 第51-54页 |
| 4.1.1 注意力机制原理 | 第51-52页 |
| 4.1.2 注意力机制计算过程 | 第52-54页 |
| 4.2 融合时空网络与注意力机制的人体行为识别方法 | 第54-56页 |
| 4.2.1 融合时空网络与注意力机制的人体行为识别模型的提出 | 第54-55页 |
| 4.2.2 融合时空网络与注意力机制的人体行为识别模型的具体设计 | 第55-56页 |
| 4.3 注意力机制增强特征显著性 | 第56-57页 |
| 4.4 实验设计及结果分析 | 第57-61页 |
| 4.4.1 训练参数设计 | 第57页 |
| 4.4.2 特征图可视化 | 第57-58页 |
| 4.4.3 实验结果分析 | 第58-60页 |
| 4.4.4 有效性验证 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |
