基于深度学习的视频行为识别研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-31页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-28页 |
| 1.2.1 基于人工选取特征的方法 | 第14-15页 |
| 1.2.2 基于深度学习的方法 | 第15-28页 |
| 1.3 论文主要研究内容 | 第28-29页 |
| 1.4 本文创新点 | 第29-31页 |
| 第2章 时空残差网络的基础架构 | 第31-49页 |
| 2.1 问题概述 | 第31-35页 |
| 2.2 框架设计和算法实现 | 第35-43页 |
| 2.2.1 双流卷积网络 | 第35-38页 |
| 2.2.2 残差网络 | 第38-39页 |
| 2.2.3 双流残差网络 | 第39-43页 |
| 2.3 实验设计和结果分析 | 第43-48页 |
| 2.3.1 数据集简述 | 第43-44页 |
| 2.3.2 数据预处理 | 第44页 |
| 2.3.3 模型训练和参数设置 | 第44-47页 |
| 2.3.4 实验结果和分析 | 第47-48页 |
| 2.4 本章小结 | 第48-49页 |
| 第3章 时空残差网络的跨流残差连接 | 第49-61页 |
| 3.1 问题概述 | 第49-52页 |
| 3.2 框架设计和算法实现 | 第52-56页 |
| 3.2.1 加法连接 | 第53-54页 |
| 3.2.2 乘法连接 | 第54-56页 |
| 3.3 实验设计和结果分析 | 第56-59页 |
| 3.3.1 数据集简述 | 第56页 |
| 3.3.2 模型训练和参数设置 | 第56-57页 |
| 3.3.3 实验结果和分析 | 第57-59页 |
| 3.4 本章小结 | 第59-61页 |
| 第4章 时空残差网络中的时序残差连接 | 第61-72页 |
| 4.1 问题概述 | 第61-63页 |
| 4.2 框架设计和算法实现 | 第63-66页 |
| 4.2.1 特征恒等初始化的时序卷积 | 第63-66页 |
| 4.3 实验设计和结果分析 | 第66-70页 |
| 4.3.1 数据集简述 | 第66页 |
| 4.3.2 模型训练和参数设置 | 第66-68页 |
| 4.3.3 实验结果和分析 | 第68-70页 |
| 4.4 本章小结 | 第70-72页 |
| 第5章 异构双流的时空残差网络 | 第72-95页 |
| 5.1 问题概述 | 第72-73页 |
| 5.2 框架设计和实现 | 第73-74页 |
| 5.3 实验设计和结果分析 | 第74-94页 |
| 5.3.1 数据集简述 | 第74页 |
| 5.3.2 数据预处理 | 第74-75页 |
| 5.3.3 模型训练和参数设置 | 第75-77页 |
| 5.3.4 实验结果和分析 | 第77-94页 |
| 5.4 本章小结 | 第94-95页 |
| 第6章 总结与展望 | 第95-98页 |
| 6.1 本文工作总结 | 第95-96页 |
| 6.2 未来工作展望 | 第96-98页 |
| 参考文献 | 第98-104页 |
