基于深度学习的多人行为识别方法的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 多人行为识别的进展 | 第11-12页 |
| 1.3 论文的体系结构 | 第12-13页 |
| 第二章 行为识别方法概述 | 第13-20页 |
| 2.1 基于可穿戴设备的方法 | 第13-15页 |
| 2.1.1 基于力学传感器的可穿戴设备 | 第13-14页 |
| 2.1.2 基于视觉传感器的可穿戴设备 | 第14页 |
| 2.1.3 基于定位传感器的可穿戴设备 | 第14页 |
| 2.1.4 基于生物电信号测量传感器的可穿戴设备 | 第14-15页 |
| 2.2 基于视频的方法 | 第15-18页 |
| 2.2.1 目标检测 | 第15-16页 |
| 2.2.2 目标跟踪 | 第16页 |
| 2.2.3 特征提取 | 第16-17页 |
| 2.2.4 目标行为理解 | 第17-18页 |
| 2.3 基于深度学习的行为识别 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 深度学习 | 第20-29页 |
| 3.1 深度学习原理 | 第20页 |
| 3.2 深度学习常用方法 | 第20-24页 |
| 3.2.1 基于限制玻尔兹曼机的深度学习 | 第21-23页 |
| 3.2.2 基于自编码器的深度学习 | 第23-24页 |
| 3.3 卷积神经网络 | 第24-28页 |
| 3.3.1 卷积神经网络的网络结构 | 第24-26页 |
| 3.3.2 卷积神经网络的特点与优势 | 第26-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 基于卷积神经网络的多人行为识别方法 | 第29-45页 |
| 4.1 dense-sift算法与图像预处理 | 第29-37页 |
| 4.1.1 sift算法 | 第29-35页 |
| 4.1.2 dense-sift算法 | 第35页 |
| 4.1.3 图像的预处理 | 第35-37页 |
| 4.2 LeNet-5卷积神经网络 | 第37-40页 |
| 4.2.1 LeNet-5网络模型 | 第37-38页 |
| 4.2.2 LeNet-5训练过程 | 第38-40页 |
| 4.3 LeNet-5卷积神经网络的改进 | 第40-42页 |
| 4.4 算法流程 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 实验与分析 | 第45-58页 |
| 5.1 实验准备 | 第45-48页 |
| 5.1.1 实验数据准备 | 第45-47页 |
| 5.1.2 运行环境准备 | 第47-48页 |
| 5.2 实验步骤 | 第48-51页 |
| 5.3 结果分析 | 第51-56页 |
| 5.3.1 本文方法的实验效果 | 第51-54页 |
| 5.3.2 学习率对实验的影响 | 第54-56页 |
| 5.4 Bow(bag of word)方法 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 总结与展望 | 第58-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第66-67页 |
| 致谢 | 第67页 |
