| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 引言 | 第16-17页 |
| 1.2 行为识别概况 | 第17-19页 |
| 1.3 旅游场景分类概况 | 第19-21页 |
| 1.4 论文研究的主要内容 | 第21-24页 |
| 第二章 相关领域理论与技术综述 | 第24-50页 |
| 2.1 行为识别 | 第24-37页 |
| 2.2 卷积神经网络 | 第37-44页 |
| 2.3 迁移学习 | 第44-46页 |
| 2.4 多任务学习 | 第46-48页 |
| 2.5 本章小结 | 第48-50页 |
| 第三章 基于知识原语的静态图像中的行为识别技术 | 第50-65页 |
| 3.1 引言 | 第50-53页 |
| 3.2 SPARSE AUTOENCODER | 第53-55页 |
| 3.3 行为知识框架 | 第55-57页 |
| 3.3.1 滤波器组 | 第55-56页 |
| 3.3.2 非线性转换 | 第56页 |
| 3.3.3 Pooling | 第56-57页 |
| 3.3.4 行为知识编码 | 第57页 |
| 3.3.5 行为表示 | 第57页 |
| 3.3.6 分类 | 第57页 |
| 3.4 实验对比与分析 | 第57-63页 |
| 3.4.1 实验配置 | 第58页 |
| 3.4.2 实验结果 | 第58-63页 |
| 3.5 本章小结 | 第63-65页 |
| 第四章 基于线索增强的深度神经网络的静态图像中的行为识别技术 | 第65-98页 |
| 4.1 引言 | 第65-67页 |
| 4.1.1 动机 | 第65-66页 |
| 4.1.2 贡献 | 第66-67页 |
| 4.2 相关工作 | 第67-69页 |
| 4.2.1 卷积神经网络 | 第68-69页 |
| 4.2.2 多任务学习 | 第69页 |
| 4.3 基于线索增强的行为识别方法 | 第69-76页 |
| 4.3.1 方法总览 | 第69-70页 |
| 4.3.2 网络结构 | 第70-71页 |
| 4.3.3 通过暗示机制学习 | 第71-73页 |
| 4.3.4 准备数据 | 第73-74页 |
| 4.3.5 行为识别 | 第74-76页 |
| 4.4 实施细节 | 第76-78页 |
| 4.4.1 网络结构 | 第76页 |
| 4.4.2 训练 | 第76-77页 |
| 4.4.3 测试 | 第77-78页 |
| 4.5 实验对比与分析 | 第78-96页 |
| 4.5.1 数据增强和Hint Task的影响 | 第78-80页 |
| 4.5.2 数据集的大小对性能的影响 | 第80-81页 |
| 4.5.3 结果 | 第81-96页 |
| 4.6 本章小结 | 第96-98页 |
| 第五章 基于多阶段的迁移模型的旅游场景分类技术 | 第98-115页 |
| 5.1 引言 | 第98-99页 |
| 5.2 相关工作 | 第99-102页 |
| 5.2.1 卷积神经网络 | 第100-101页 |
| 5.2.2 分类等级结构 | 第101-102页 |
| 5.2.3 迁移学习 | 第102页 |
| 5.3 基于多阶段迁移模型的旅游场景分类方法 | 第102-110页 |
| 5.3.1 旅游场景数据库 | 第102页 |
| 5.3.2 建立旅游场景数据库 | 第102-103页 |
| 5.3.3 旅游场景分类 | 第103-106页 |
| 5.3.4 数据准备 | 第106-110页 |
| 5.3.5 多阶段迁移学习模型 | 第110页 |
| 5.3.6 单阶段的迁移学习模型 | 第110页 |
| 5.3.7 分类 | 第110页 |
| 5.4 实验结果与分析 | 第110-113页 |
| 5.4.1 实施细节 | 第110-112页 |
| 5.4.2 多阶段模型的有效性 | 第112页 |
| 5.4.3 旅游场景分类结果 | 第112-113页 |
| 5.5 本章小结 | 第113-115页 |
| 总结与展望 | 第115-117页 |
| 总结 | 第115-116页 |
| 未来展望 | 第116-117页 |
| 参考文献 | 第117-123页 |
| 攻读博士学位期间取得的研究成果 | 第123-124页 |
| 致谢 | 第124-125页 |
| 附件 | 第125页 |