基于卷积神经网络的人体行为检测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-16页 |
| 1.2.1 基于传统方法 | 第13-15页 |
| 1.2.2 基于CNN方法 | 第15-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 章节安排 | 第17-19页 |
| 第2章 视频分析中的深度学习基础 | 第19-35页 |
| 2.1 深度学习理论基础 | 第19-26页 |
| 2.1.1 深度学习的发展 | 第19-20页 |
| 2.1.2 BP算法 | 第20-22页 |
| 2.1.3 网络优化算法 | 第22-25页 |
| 2.1.4 正则化方法 | 第25-26页 |
| 2.2 CNN | 第26-30页 |
| 2.2.1 CNN原理 | 第27页 |
| 2.2.2 CNN特征提取方法 | 第27-28页 |
| 2.2.3 池化 | 第28-29页 |
| 2.2.4 3D-CNN | 第29-30页 |
| 2.3 RNN | 第30-34页 |
| 2.3.1 RNN原理 | 第30-31页 |
| 2.3.2 长短时记忆神经网络-LSTM | 第31-32页 |
| 2.3.3 门控循环单元-GRU | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 中短视频人体行为检测方法 | 第35-45页 |
| 3.1 双流网络 | 第35-36页 |
| 3.2 网络结构设计 | 第36-40页 |
| 3.2.1 基础网络SSD | 第36-38页 |
| 3.2.2 连续帧输入 | 第38-39页 |
| 3.2.3 时空特征融合 | 第39-40页 |
| 3.3 后处理 | 第40-43页 |
| 3.3.1 非极大值抑制 | 第40-41页 |
| 3.3.2 连续帧重叠度计算 | 第41-42页 |
| 3.3.3 连接算法流程 | 第42页 |
| 3.3.4 平滑处理 | 第42-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 未剪切长视频人体行为检测方法 | 第45-53页 |
| 4.1 总体方案概述 | 第45-46页 |
| 4.2 网络结构设计 | 第46-49页 |
| 4.2.1 视频低等级特征编码 | 第46-47页 |
| 4.2.2 循环记忆模块 | 第47-49页 |
| 4.2.3 时序行为检测 | 第49页 |
| 4.3 损失函数设计 | 第49-51页 |
| 4.3.1 时序信息提取部分损失函数 | 第49-50页 |
| 4.3.2 时序行为检测部分损失函数 | 第50-51页 |
| 4.3.3 总的损失函数 | 第51页 |
| 4.4 网络训练与推理方法 | 第51-52页 |
| 4.4.1 网络训练方法 | 第51-52页 |
| 4.4.2 网络预测推理方法 | 第52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于公开数据集的实验及结果分析 | 第53-63页 |
| 5.1 公共数据集介绍 | 第53-55页 |
| 5.2 性能评价指标分析 | 第55-57页 |
| 5.3 中短视频实验及结果 | 第57-59页 |
| 5.3.1 网络训练及参数设置 | 第57页 |
| 5.3.2 连续帧输入对比分析 | 第57-59页 |
| 5.3.3 时空特征融合实验结果 | 第59页 |
| 5.4 未剪切长视频实验及结果 | 第59-61页 |
| 5.4.1 网络训练及参数设置 | 第59-60页 |
| 5.4.2 网络输出结果分析 | 第60-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 主要工作与创新点 | 第63页 |
| 6.2 未来工作展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 在读期间发表的学术论文与取得的研究成果 | 第71页 |
