基于神经网络的动作识别方法的研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 课题研究背景 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 论文研究内容及章节安排 | 第10-11页 |
| 第二章 人体动作识别方法概述 | 第11-23页 |
| 2.1 人体动作特征 | 第11-17页 |
| 2.1.1 STIP特征 | 第12-13页 |
| 2.1.2 Cuboids特征 | 第13-14页 |
| 2.1.3 Densetrajectory特征 | 第14-15页 |
| 2.1.4 样本表征 | 第15-17页 |
| 2.2 动作分类 | 第17-21页 |
| 2.2.1 K近邻 | 第18-19页 |
| 2.2.2 支持向量机 | 第19-21页 |
| 2.3 本章小节 | 第21-23页 |
| 第三章 基于神经网络的人体动作识别 | 第23-35页 |
| 3.1 神经网络 | 第23-25页 |
| 3.2 卷积神经网络 | 第25-28页 |
| 3.2.1 卷积运算 | 第26-27页 |
| 3.2.2 池化操作 | 第27-28页 |
| 3.3 基于2D卷积神经网络的人体动作识别 | 第28-30页 |
| 3.4 基于3D卷积神经网络的人体动作识别 | 第30-32页 |
| 3.4.1 3D卷积和3D池化 | 第31-32页 |
| 3.5 基于神经网络的动作识别算法框架 | 第32-34页 |
| 3.5.1 卷积神经网络结构 | 第33页 |
| 3.5.2 网络训练和视频特征表述 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 基于神经网络和多示例学习的动作识别 | 第35-43页 |
| 4.1 多示例学习概述 | 第35-37页 |
| 4.2 动作识别算法框架 | 第37-41页 |
| 4.2.1 3D卷积神经网络的训练 | 第38页 |
| 4.2.2 多示例学习模型训练 | 第38-40页 |
| 4.2.3 视频预测 | 第40页 |
| 4.2.4 算法优化 | 第40-41页 |
| 4.3 本章小结 | 第41-43页 |
| 第五章 实验结果及分析 | 第43-53页 |
| 5.1 数据库 | 第43-45页 |
| 5.1.1 Sports-1M | 第43-44页 |
| 5.1.2 UCF-101数据库 | 第44页 |
| 5.1.3 KTH数据库 | 第44-45页 |
| 5.2 3D卷积神经网络性能测试 | 第45-47页 |
| 5.2.1 网络设置 | 第45页 |
| 5.2.2 网络调整 | 第45-46页 |
| 5.2.3 网络性能实验及分析 | 第46-47页 |
| 5.3 基于多示例学习的动作识别性能分析 | 第47-49页 |
| 5.4 视频长度对分类结果的影响分析 | 第49-51页 |
| 5.5 本章小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 本文工作总结 | 第53-54页 |
| 6.2 未来展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 发表论文和参加科研情况说明 | 第59-61页 |
| 致谢 | 第61页 |
