基于深度信念网络的行为识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 特征提取 | 第12-14页 |
| 1.2.2 行为的识别 | 第14-16页 |
| 1.3 论文的主要工作及结构安排 | 第16-18页 |
| 1.3.1 论文的主要工作 | 第16页 |
| 1.3.2 论文的结构安排 | 第16-18页 |
| 第二章 人体行为识别相关技术理论 | 第18-28页 |
| 2.1 人体行为识别特征提取方法 | 第18-19页 |
| 2.2 人体行为识别的分类方法 | 第19-25页 |
| 2.2.1 基于BP网络的分类 | 第19-21页 |
| 2.2.2 基于K近邻算法的分类 | 第21-23页 |
| 2.2.3 基于支持向量机的分类 | 第23-25页 |
| 2.3 行为数据集 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 时空兴趣点的检测与描述算法 | 第28-34页 |
| 3.1 时空兴趣点的检测 | 第28-30页 |
| 3.2 时空兴趣点描述子 | 第30-31页 |
| 3.3 基于K-means聚类算法的词袋模型建立 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 深度学习及深度信念网络 | 第34-45页 |
| 4.1 深度学习 | 第34-40页 |
| 4.1.1 深度学习的基本理论及学习过程 | 第34-36页 |
| 4.1.2 深度学习的训练过程 | 第36-38页 |
| 4.1.3 深度学习的常用方法 | 第38-40页 |
| 4.2 深度信念网络 | 第40-44页 |
| 4.2.1 受限玻尔兹曼机原理 | 第40-43页 |
| 4.2.2 深度信念网络 | 第43-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第五章 基于深度信念网络的行为识别系统 | 第45-56页 |
| 5.1 深度信念网络的实现 | 第45-47页 |
| 5.1.1 受限玻尔兹曼机模型的训练过程 | 第45-46页 |
| 5.1.2 深度信念网络的训练过程 | 第46-47页 |
| 5.2 分类模型的评估 | 第47-48页 |
| 5.3 实验结果与分析 | 第48-55页 |
| 5.3.1 时空兴趣点的检测及描述 | 第49-50页 |
| 5.3.2 构建词袋模型 | 第50-51页 |
| 5.3.3 基于深度信念网络的实验结果 | 第51-53页 |
| 5.3.4 其他分类方法的实验结果 | 第53-55页 |
| 5.3.5 实验结果对比分析 | 第55页 |
| 5.4 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 总结 | 第56页 |
| 展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士学位期间取得的研究成果 | 第64-65页 |
| 致谢 | 第65-66页 |
| 答辩委员会对论文的评定意见 | 第66页 |
