基于深度学习的人体行为识别方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景和研究意义 | 第9-10页 |
| 1.2 基于传感器的人体行为识别技术研究现状 | 第10-13页 |
| 1.2.1 基于传统模式识别的行为识别研究现状 | 第11-12页 |
| 1.2.2 基于深度学习的行为识别研究现状 | 第12-13页 |
| 1.3 本文研究内容和贡献 | 第13-14页 |
| 1.4 论文结构安排 | 第14-15页 |
| 第二章 关键技术介绍 | 第15-27页 |
| 2.1 基于传感器的人体行为识别方法概述 | 第15-17页 |
| 2.1.1 人体行为识别问题描述 | 第15-16页 |
| 2.1.2 人体行为识别系统通用结构 | 第16-17页 |
| 2.2 深度学习基本理论 | 第17-26页 |
| 2.2.1 人工神经网络简介 | 第17-19页 |
| 2.2.2 卷积神经网络 | 第19-22页 |
| 2.2.3 反向传播算法 | 第22-25页 |
| 2.2.4 梯度消失问题 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 人体行为数据处理 | 第27-42页 |
| 3.1 背景介绍 | 第27页 |
| 3.2 训练数据扩展与整合 | 第27-34页 |
| 3.2.1 样本数据集统计 | 第27-31页 |
| 3.2.2 目标数据集扩展和整合 | 第31-34页 |
| 3.3 行为识别传感器数据预处理 | 第34-35页 |
| 3.4 数据时域到图像空间变换算法 | 第35-41页 |
| 3.4.1 格拉姆角场数据处理算法 | 第35-38页 |
| 3.4.2 马尔可夫转换区数据处理算法 | 第38-40页 |
| 3.4.3 Spectrogram数据处理算法 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 人体行为识别模型的设计 | 第42-56页 |
| 4.1 自适应特征重标定网络AFRNet | 第42-48页 |
| 4.1.1 注意力机制和门控机制的引入 | 第42-43页 |
| 4.1.2 AFRNet网络具体实现 | 第43-48页 |
| 4.2 自适应特征重标定的残差网络AFRRNet | 第48-55页 |
| 4.2.1 残差网络引入 | 第48-50页 |
| 4.2.2 AFRRNet网络具体实现 | 第50-55页 |
| 4.3 本章小结 | 第55-56页 |
| 第五章 人体行为识别深度学习模型评估 | 第56-70页 |
| 5.1 自适应特征重标定的残差网络的训练 | 第56-59页 |
| 5.2 AFRRNet对比模型 | 第59-61页 |
| 5.3 性能评估指标 | 第61-62页 |
| 5.4 实验及结果分析 | 第62-69页 |
| 5.4.1 人体行为传感器数据分析 | 第62-66页 |
| 5.4.2 已有模型在不同数据集上的对比实验 | 第66页 |
| 5.4.3 数据变换算法评估 | 第66-67页 |
| 5.4.4 对比模型评估 | 第67页 |
| 5.4.5 14类人体行为对比实验 | 第67-68页 |
| 5.4.6 时间窗口对比实验 | 第68-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 研究工作总结 | 第70-71页 |
| 6.2 研究工作展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
