| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-24页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 基于人工设计的局部特征提取 | 第13-15页 |
| 1.2.2 基于深度学习的特征提取 | 第15-16页 |
| 1.3 数据集 | 第16-22页 |
| 1.3.1 KTH数据集 | 第17-18页 |
| 1.3.2 Weizmann数据集 | 第18页 |
| 1.3.3 HMDB51数据集 | 第18-20页 |
| 1.3.4 UCF101数据集 | 第20-22页 |
| 1.4 视频行为识别的挑战 | 第22-23页 |
| 1.5 论文研究内容与组织结构 | 第23-24页 |
| 2 卷积神经网络及其典型结构 | 第24-44页 |
| 2.1 BP神经网络 | 第24-26页 |
| 2.1.1 前馈神经网络的引入 | 第24-25页 |
| 2.1.2 BP神经网络 | 第25-26页 |
| 2.2 卷积神经网络(CNN) | 第26-34页 |
| 2.2.1 CNN网络结构 | 第26-29页 |
| 2.2.2 CNN网络结构的几种典型计算层 | 第29-33页 |
| 2.2.3 CNN网络的学习 | 第33-34页 |
| 2.3 卷积神经网络的典型结构 | 第34-42页 |
| 2.3.1 LeNet-5 | 第34-36页 |
| 2.3.2 AlexNet | 第36-38页 |
| 2.3.3 GoogLe Net | 第38-39页 |
| 2.3.4 VGGNet | 第39-41页 |
| 2.3.5 3D CNN | 第41页 |
| 2.3.6 双流卷积神经网络(Two-Stream ConvNet) | 第41-42页 |
| 2.4 深度学习工具包 | 第42-43页 |
| 2.4.1 Caffe | 第42-43页 |
| 2.4.2 TensorFlow | 第43页 |
| 2.5 本章小结 | 第43-44页 |
| 3 基于分段双流卷积神经网络的行为识别 | 第44-65页 |
| 3.1 双流卷积神经网络模型的引入 | 第44-45页 |
| 3.2 分段双流卷积神经网络模型的提出 | 第45-51页 |
| 3.2.1 基于Inception V2模型的双流卷积神经网络 | 第45-48页 |
| 3.2.2 基于时间分段的视频行为特征描述 | 第48-51页 |
| 3.3 样本数据处理 | 第51-54页 |
| 3.3.1 堆叠的光流图像 | 第51-52页 |
| 3.3.2 样本集的扩容 | 第52-54页 |
| 3.4 分段双流卷积神经网络模型的学习 | 第54-57页 |
| 3.4.1 跨模态交叉预训练 | 第54-55页 |
| 3.4.2 训练参数设置 | 第55-57页 |
| 3.5 实验与分析 | 第57-63页 |
| 3.5.1 特征可视化 | 第57-59页 |
| 3.5.2 实验结果与分析 | 第59-63页 |
| 3.6 本章小结 | 第63-65页 |
| 4 基于集成学习的行为识别 | 第65-79页 |
| 4.1 集成学习的必要性 | 第65-66页 |
| 4.2 基于个体模型决策集成的行为识别 | 第66-77页 |
| 4.2.1 基于试凑方式的权值投票集成法 | 第67-71页 |
| 4.2.2 基于不同类别识别几率的权值投票集成法 | 第71-72页 |
| 4.2.3 基于个体识别模型总体识别率的权值投票集成法 | 第72页 |
| 4.2.4 基于个体识别模型类识别率的权值投票集成法 | 第72页 |
| 4.2.5 最好-最坏权值投票集成法 | 第72-73页 |
| 4.2.6 贝叶斯组合权值投票集成法 | 第73页 |
| 4.2.7 基于个体分类模型相对优势的投票集成算法 | 第73页 |
| 4.2.8 实验结果与分析 | 第73-77页 |
| 4.3 基于多级别特征集成的行为识别 | 第77-78页 |
| 4.4 本章小结 | 第78-79页 |
| 5 总结与展望 | 第79-81页 |
| 5.1 工作总结 | 第79-80页 |
| 5.2 工作展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86页 |
