基于稀疏时空特征的人体行为识别研究
| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-17页 |
| 1.2.1 传统行为识别方法 | 第12-13页 |
| 1.2.2 深度学习方法的研究现状 | 第13-15页 |
| 1.2.3 基于深度学习的行为识别方法 | 第15-17页 |
| 1.3 目前存在的主要问题 | 第17页 |
| 1.4 本文主要工作及创新点 | 第17-18页 |
| 1.5 本文组织结构 | 第18-20页 |
| 第二章 时空深度置信网络概述 | 第20-29页 |
| 2.1 深度网络中的特征学习单元 | 第20-24页 |
| 2.1.1 限制玻尔兹曼机 | 第20-21页 |
| 2.1.2 自动编码机 | 第21-22页 |
| 2.1.3 稀疏编码 | 第22页 |
| 2.1.4 卷积层和池化层 | 第22-24页 |
| 2.2 传统时空深度置信网络 | 第24-28页 |
| 2.2.1 卷积限制玻尔兹曼机 | 第24-26页 |
| 2.2.2 时空的深度置信网络 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 多尺度人体行为的时空特征学习 | 第29-38页 |
| 3.1 尺度空间 | 第29-30页 |
| 3.2 基于时空Gabor的多尺度表达 | 第30-33页 |
| 3.2.1 简单细胞和复杂细胞 | 第30-32页 |
| 3.2.2 环绕抑制模型 | 第32-33页 |
| 3.2.3 尺度选择 | 第33页 |
| 3.3 多尺度时空特征学习 | 第33-35页 |
| 3.4 实验结果与分析 | 第35-37页 |
| 3.4.1 不同尺度运动信息表达 | 第35页 |
| 3.4.2 特征映射可视化 | 第35-36页 |
| 3.4.3 多尺度与单一尺度特征比较 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 稀疏的金字塔池化策略 | 第38-47页 |
| 4.1 传统的池化策略 | 第38-40页 |
| 4.2 稀疏的金字塔池化策略 | 第40-44页 |
| 4.2.1 金字塔池化策略 | 第41-42页 |
| 4.2.2 稀疏编码 | 第42-44页 |
| 4.3 实验结果与分析 | 第44-46页 |
| 4.3.1 金字塔池化策略性能分析 | 第44-45页 |
| 4.3.2 字典数目和稀疏度对稀疏编码的影响 | 第45-46页 |
| 4.3.3 池化策略的比较 | 第46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于稀疏时空特征的人体行为识别 | 第47-53页 |
| 5.1 整体框架 | 第47-48页 |
| 5.2 实验结果与分析 | 第48-52页 |
| 5.2.1 数据集与实验环境 | 第48-49页 |
| 5.2.2 实验结果比较与分析 | 第49-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第六章 总结和展望 | 第53-55页 |
| 6.1 论文工作总结 | 第53-54页 |
| 6.2 未来工作展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 攻读学位期间参与科研项目和公开发表的论文 | 第61-62页 |
| 致谢 | 第62-63页 |
