| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 目标物体检测与跟踪 | 第11-12页 |
| 1.2.2 行为识别 | 第12-13页 |
| 1.2.3 动作分割 | 第13-14页 |
| 1.2.4 工作流建模 | 第14-15页 |
| 1.3 本文研究内容 | 第15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第二章 相关理论基础 | 第17-32页 |
| 2.1 数字视频处理相关内容介绍 | 第17-21页 |
| 2.1.1 三帧差分法 | 第17-19页 |
| 2.1.2 腐蚀和膨胀 | 第19-21页 |
| 2.2 深度学习相关介绍 | 第21-27页 |
| 2.2.1 神经网络 | 第21-22页 |
| 2.2.2 三维卷积神经网络 | 第22-23页 |
| 2.2.3 反向传导算法(BP算法) | 第23-27页 |
| 2.2.4 TensorFlow | 第27页 |
| 2.3 工作流技术 | 第27-28页 |
| 2.3.1 工作流设计 | 第27-28页 |
| 2.3.2 工作流建模 | 第28页 |
| 2.4 遗传算法 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于多视图三维卷积神经网络的工作流识别方法 | 第32-41页 |
| 3.1 问题定义 | 第32-33页 |
| 3.2 算法简介 | 第33页 |
| 3.3 算法动机 | 第33页 |
| 3.4 算法流程 | 第33-40页 |
| 3.4.1 数据预处理 | 第34-36页 |
| 3.4.2 Multi-view3D-CNNs模型准备 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于遗传算法的自动化工作流建模 | 第41-53页 |
| 4.1 问题定义 | 第41-42页 |
| 4.2 算法简介 | 第42页 |
| 4.3 算法动机 | 第42-44页 |
| 4.4 算法流程 | 第44-52页 |
| 4.4.1 基于状态的自动化任务分割 | 第44-47页 |
| 4.4.2 基于遗传算法的工作流序列识别 | 第47-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 实验分析 | 第53-61页 |
| 5.1 实验准备 | 第53-56页 |
| 5.1.1 实验设置 | 第53-55页 |
| 5.1.2 结果评价指标和基准 | 第55-56页 |
| 5.2 结果分析 | 第56-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 本文工作总结 | 第61页 |
| 6.2 未来展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-71页 |
| 附录 | 第71-72页 |
| 详细摘要 | 第72-73页 |