| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.2.1 动作识别的研究现状 | 第13-14页 |
| 1.2.2 深度学习的研究现状 | 第14-16页 |
| 1.3 研究内容与主要工作 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第2章 相关理论知识 | 第18-34页 |
| 2.1 深度学习概述 | 第18-28页 |
| 2.1.1 深度学习介绍 | 第18页 |
| 2.1.2 深度学习原理 | 第18-28页 |
| 2.2 深度动作识别算法概述 | 第28-33页 |
| 2.2.1 光流特征 | 第28-29页 |
| 2.2.2 随机森林模型 | 第29-30页 |
| 2.2.3 支持向量机 | 第30-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第3章 基于深度学习的动作识别算法 | 第34-44页 |
| 3.1 引言 | 第34页 |
| 3.2 深度双流卷积神经网络 | 第34-38页 |
| 3.2.1 TV-LI光流特征 | 第34-36页 |
| 3.2.2 深度卷积神经网络的结构 | 第36-38页 |
| 3.3 深度卷积神经网络的训练 | 第38-41页 |
| 3.3.1 数据增强 | 第39页 |
| 3.3.2 预训练 | 第39页 |
| 3.3.3 训练网络 | 第39-41页 |
| 3.4 动作特征提取 | 第41页 |
| 3.5 多阶段训练的深度卷积神经网络 | 第41-42页 |
| 3.6 动作分类识别方法 | 第42-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 实验及结果分析 | 第44-57页 |
| 4.1 动作识别数据集 | 第44-46页 |
| 4.1.1 UCF101数据集 | 第44-45页 |
| 4.1.2 HMDB51数据集 | 第45-46页 |
| 4.2 Caffe实验平台的搭建 | 第46-47页 |
| 4.2.1 Caffe的安装 | 第47页 |
| 4.2.2 安装过程中的注意事项 | 第47页 |
| 4.3 UCF101数据集实验及分析 | 第47-52页 |
| 4.3.1 低层网络的可视化 | 第48页 |
| 4.3.2 不同的分类器结果比较 | 第48-49页 |
| 4.3.3 空间流网络和时间流网络实验结果比较及分析 | 第49-50页 |
| 4.3.4 多阶段训练在不同的动作类型实验结果比较及分析 | 第50页 |
| 4.3.5 UCF101数据集的部分混淆矩阵 | 第50-51页 |
| 4.3.6 本文方法与现有的实验方法比较及分析 | 第51-52页 |
| 4.4 迁移学习 | 第52-53页 |
| 4.5 HMDB51数据集实验及分析 | 第53-56页 |
| 4.5.1 不同的分类器结果比较 | 第53页 |
| 4.5.2 空间流网络和时间流网络实验结果比较 | 第53-54页 |
| 4.5.3 多阶段训练深度双流卷积神经网络对识别结果的影响 | 第54-55页 |
| 4.5.4 HMDB51数据集的部分混淆矩阵 | 第55页 |
| 4.5.5 与现有的实验方法比较及分析 | 第55-56页 |
| 4.6 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 附录A 攻读硕士学位期间发表论文目录 | 第65-66页 |
| 附录B 攻读硕士学位期间所参与的科研活动 | 第66-67页 |
| 致谢 | 第67页 |
