基于深度学习的洗车工行为识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 背景及研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 智能视频监控系统 | 第10-11页 |
| 1.2.2 行为识别研究现状 | 第11-14页 |
| 1.3 论文的主要研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第2章 深度学习与行为识别 | 第16-28页 |
| 2.1 深度学习概述 | 第16-18页 |
| 2.2 基于深度学习的行为识别方法 | 第18-19页 |
| 2.3 卷积神经网络 | 第19-26页 |
| 2.3.1 卷积神经网络的基本思想 | 第19-21页 |
| 2.3.2 卷积神经网络的结构 | 第21-23页 |
| 2.3.3 LeNet-5 的网络结构 | 第23-24页 |
| 2.3.4 ImageNet的网络结构 | 第24-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 基于改进的 3D CNN的洗车工行为识别 | 第28-40页 |
| 3.1 基于 3D CNN的行为识别 | 第28-31页 |
| 3.1.1 三维卷积操作 | 第28-29页 |
| 3.1.2 3D CNN的网络结构 | 第29-30页 |
| 3.1.3 3D CNN的不足与改进 | 第30-31页 |
| 3.2 3D CNN卷积层的改进 | 第31-32页 |
| 3.3 3D CNN下采样层的改进 | 第32-34页 |
| 3.3.1 三维下采样 | 第32-33页 |
| 3.3.2 基于时空金字塔的下采样层 | 第33-34页 |
| 3.4 Softmax分类器 | 第34-36页 |
| 3.5 改进后 3D CNN的总体结构 | 第36-38页 |
| 3.6 有监督的学习方法 | 第38-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第4章 实验与分析 | 第40-58页 |
| 4.1 实验具体流程 | 第40-43页 |
| 4.1.1 实验总流程 | 第40-41页 |
| 4.1.2 网络的前向传播的流程 | 第41-42页 |
| 4.1.3 网络的反向传播的流程 | 第42-43页 |
| 4.2 实验环境与平台 | 第43页 |
| 4.3 基于KTH数据库的实验及结果 | 第43-46页 |
| 4.3.1 KTH数据库 | 第43-44页 |
| 4.3.2 实验结果 | 第44-46页 |
| 4.4 基于洗车行数据集的实验及结果 | 第46-49页 |
| 4.4.1 实验数据集 | 第46-48页 |
| 4.4.2 实验结果 | 第48-49页 |
| 4.5 实验分析 | 第49-56页 |
| 4.5.1 改进后的网络的优点 | 第49-50页 |
| 4.5.2 数据集的质量对识别精度的影响 | 第50-51页 |
| 4.5.3 网络的时空复杂度分析 | 第51-56页 |
| 4.6 本章小结 | 第56-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第65-66页 |
| 致谢 | 第66页 |
