基于增量深度学习的视频行为识别
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 传统的特征提取方法 | 第10-11页 |
| 1.2.2 使用深度网络进行特征提取 | 第11-13页 |
| 1.2.3 目前行为识别技术中的难点 | 第13-14页 |
| 1.3 本文研究的主要内容及贡献 | 第14页 |
| 1.4 论文结构安排 | 第14-17页 |
| 第二章 视频行为识别的一般框架 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 基于混合高斯模型的运动前景检测 | 第17-19页 |
| 2.3 运动历史图像的原理 | 第19-22页 |
| 2.4 提取方向梯度直方图 | 第22-23页 |
| 2.5 核非线性分类算法 | 第23-24页 |
| 2.6 基于MHI和HOG特征的视频行为识别 | 第24-27页 |
| 2.6.1 算法思路与流程图 | 第24-25页 |
| 2.6.2 实验与讨论 | 第25-27页 |
| 2.7 本章小结 | 第27-29页 |
| 第三章 基于深度自动编码机的特征提取方法 | 第29-37页 |
| 3.1 引言 | 第29页 |
| 3.2 深度自动编码机的结构 | 第29-33页 |
| 3.2.1 堆栈自动编码机 | 第30-31页 |
| 3.2.2 稀疏化表达与稀疏的堆栈自动编码机 | 第31-33页 |
| 3.3 基于MHI与SSAE的视频行为识别 | 第33-36页 |
| 3.3.1 算法思路与流程图 | 第33页 |
| 3.3.2 实验与讨论 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于卷积神经网络的特征提取方法 | 第37-53页 |
| 4.1 引言 | 第37页 |
| 4.2 卷积神经网络的构成和特征提取过程 | 第37-46页 |
| 4.2.1 传统多层神经网络及其存在的问题 | 第37-40页 |
| 4.2.2 卷积神经网络概述 | 第40页 |
| 4.2.3 CNN的基本框架 | 第40-43页 |
| 4.2.4 CNN结构的改进 | 第43-45页 |
| 4.2.5 使用反向传播的方式训练CNN | 第45-46页 |
| 4.3 利用CNN进行迁移学习 | 第46-47页 |
| 4.4 基于MHI与CNN的视频行为识别 | 第47-51页 |
| 4.4.1 算法思路与流程 | 第47-48页 |
| 4.4.2 实验与讨论 | 第48-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 增量学习方法在视频行为识别中的应用 | 第53-63页 |
| 5.1 引言 | 第53页 |
| 5.2 增量型非负稀疏自动编码机 | 第53-57页 |
| 5.2.1 非负矩阵分解 | 第54-55页 |
| 5.2.2 非负稀疏自动编码机 | 第55-57页 |
| 5.3 基于MHI与NNSAE的视频行为识别 | 第57-61页 |
| 5.3.1 算法思路与流程 | 第57页 |
| 5.3.2 实验与讨论 | 第57-61页 |
| 5.4 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 攻读硕士学位期间的研究成果 | 第71-73页 |
