| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景与研究内容 | 第9-11页 |
| 1.2 研究意义与应用前景 | 第11-14页 |
| 1.3 视频行为识别技术研究现状 | 第14-18页 |
| 1.3.1 传统视觉特征 | 第14-16页 |
| 1.3.2 深度特征 | 第16-17页 |
| 1.3.3 视频行为识别数据集的发展 | 第17-18页 |
| 1.4 本文的组织与内容安排 | 第18-19页 |
| 第二章 相关理论与技术 | 第19-30页 |
| 2.1 密集轨迹特征 | 第19-23页 |
| 2.1.1 密集采样 | 第19-20页 |
| 2.1.2 密集轨迹特征提取 | 第20-21页 |
| 2.1.3 改进的密集轨迹特征 | 第21-23页 |
| 2.2 神经网络与视频行为识别 | 第23-28页 |
| 2.2.1 神经网络 | 第23-24页 |
| 2.2.2 双流卷积神经网络在视频行为识别中的应用 | 第24-26页 |
| 2.2.3 循环神经网络在视频行为识别中的应用 | 第26-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 基于三维轨迹池化的视频行为识别 | 第30-41页 |
| 3.1 视觉中的上下文 | 第30-31页 |
| 3.2 三维轨迹池化与局部上下文 | 第31-33页 |
| 3.3 三维轨迹池化的实现 | 第33-39页 |
| 3.3.1 空间卷积特征提取 | 第33-34页 |
| 3.3.2 时空归一化和通道归一化 | 第34-35页 |
| 3.3.3 轨迹池化 | 第35-37页 |
| 3.3.4 三维轨迹池化 | 第37-38页 |
| 3.3.5 特征编码 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基于轨迹池化的ALSTM网络的视频行为识别方法 | 第41-52页 |
| 4.1 视觉中的注意机制 | 第41-42页 |
| 4.2 ALSTM网络与视频行为识别 | 第42-45页 |
| 4.3 结合三维轨迹池化特征的ALSTM网络 | 第45-51页 |
| 4.3.1 模型框架与算法流程 | 第46-47页 |
| 4.3.2 卷积特征提取 | 第47-48页 |
| 4.3.3 注意机制和网络模型的实现 | 第48-50页 |
| 4.3.4 损失函数 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实验对比与分析 | 第52-66页 |
| 5.1 实验数据集 | 第52-54页 |
| 5.1.1 Olympic Sports数据集 | 第52页 |
| 5.1.2 UCF101数据集 | 第52-54页 |
| 5.2 三维轨迹池化方法的验证与分析 | 第54-59页 |
| 5.2.1 实验相关配置与说明 | 第54-55页 |
| 5.2.2 验证结果与分析 | 第55-59页 |
| 5.3 基于三维轨迹池化的ALSTM网络的验证与分析 | 第59-65页 |
| 5.3.1 网络实现细节与相关配置 | 第59页 |
| 5.3.2 验证结果与分析 | 第59-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附件 | 第75页 |
