视频动作识别中的深度特征融合方法与注意力模型研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 动作识别的研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 主要研究方法 | 第11-12页 |
| 1.2.2 主要面临的挑战 | 第12-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 本文的相关研究工作 | 第15-27页 |
| 2.1 基于传统方法的动作识别研究 | 第15-21页 |
| 2.1.1 由图像扩展而来的视频特征 | 第16-19页 |
| 2.1.2 轨迹特征 | 第19-21页 |
| 2.2 基于深度学习的动作识别研究 | 第21-25页 |
| 2.2.1 基于深度学习的全连接层融合 | 第22-23页 |
| 2.2.2 大规模视频卷积网络介绍 | 第23-24页 |
| 2.2.3 双通道网络 | 第24-25页 |
| 2.3 相关数据集与竞赛 | 第25-27页 |
| 第3章 传统方法与深度学习方法的融合 | 第27-43页 |
| 3.1 传统特征和深度特征后端融合 | 第27-34页 |
| 3.1.1 iDT的实现方法介绍 | 第28-29页 |
| 3.1.2 LCD的实现方法介绍 | 第29-31页 |
| 3.1.3 特征的后端融合策略与分类 | 第31-32页 |
| 3.1.4 数据与实验与分析 | 第32-34页 |
| 3.2 传统特征和深度特征的前端融合 | 第34-43页 |
| 3.2.1 深度卷积池化特征的做深度学习框架 | 第34-35页 |
| 3.2.2 不同策略的池化方式 | 第35-36页 |
| 3.2.3 深度卷积池化特征的实验测评 | 第36-38页 |
| 3.2.4 可视化最终结果 | 第38-43页 |
| 第4章 基于卷积神经网络的注意力模型 | 第43-51页 |
| 4.1 注意力模型在图像领域的应用 | 第43-45页 |
| 4.1.1 顶层卷积权重 | 第43-44页 |
| 4.1.2 注意力模型实验评估 | 第44-45页 |
| 4.2 注意力模型在视频领域的应用 | 第45-51页 |
| 4.2.1 轻量级动作识别框架 | 第45-48页 |
| 4.2.2 可视化结果 | 第48页 |
| 4.2.3 对比当前最好性能 | 第48-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 发表论文和参加科研情况说明 | 第57-58页 |
| 致谢 | 第58-59页 |
