| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文主要研究内容和结构安排 | 第12-13页 |
| 1.3.1 论文研究内容 | 第12页 |
| 1.3.2 结构安排 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 第2章 基于双流3D卷积融合CNN的行为识别研究 | 第14-30页 |
| 2.1 双流3D卷积融合神经网络 | 第14-22页 |
| 2.1.1 网络的模型与微调 | 第15-17页 |
| 2.1.2 双流的输入 | 第17-19页 |
| 2.1.3 双流网络的融合方法 | 第19-21页 |
| 2.1.4 双流网络的融合位置 | 第21-22页 |
| 2.2 双流网络的反向传播 | 第22-24页 |
| 2.3 常用的行为识别数据库 | 第24-25页 |
| 2.3.1 UCF101数据库 | 第24页 |
| 2.3.2 HMDB51视频库 | 第24-25页 |
| 2.4 基于HMDB51行为数据集的实验结果与分析 | 第25-29页 |
| 2.4.1 实验平台及环境 | 第25页 |
| 2.4.2 网络训练的参数设定 | 第25-27页 |
| 2.4.3 实验结果与分析 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于箕舌线损失函数的双流CNN微调算法研究 | 第30-38页 |
| 3.1 卷积神经网络中的损失函数 | 第30-31页 |
| 3.2 基于箕舌线损失函数的双流3D卷积融合神经网络 | 第31-34页 |
| 3.2.1 相关熵的基本概念 | 第31-32页 |
| 3.2.2 相关熵损失函数 | 第32-33页 |
| 3.2.3 箕舌线损失函数 | 第33-34页 |
| 3.3 基于HMDB51行为数据集的实验结果与分析 | 第34-37页 |
| 3.3.1 非加噪数据集的实验结果与分析 | 第34-36页 |
| 3.3.2 加噪数据集的实验结果与分析 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于费舍判别准则的双流CNN微调算法研究 | 第38-48页 |
| 4.1 基于费舍判别准则的卷积神经网络 | 第38-42页 |
| 4.1.1 费舍判别准则损失函数 | 第38-40页 |
| 4.1.2 费舍判别损失函数参数的更新方式 | 第40-41页 |
| 4.1.3 费舍判别损失函数的反向传播 | 第41-42页 |
| 4.2 基于费舍判别准则的双流3D卷积融合神经网络 | 第42-44页 |
| 4.3 基于HMDB51行为数据集的实验结果与分析 | 第44-47页 |
| 4.3.1 基于费舍判别准则的双流CNN微调算法仿真与分析 | 第44-46页 |
| 4.3.2 基于费舍判别准则与箕舌线的双流CNN微调算法仿真与分析 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 基于最大边际近邻约束的双流CNN微调算法研究 | 第48-58页 |
| 5.1 LMNN算法 | 第48-49页 |
| 5.2 基于LMNN约束的双流3D卷积融合神经网络 | 第49-53页 |
| 5.2.1 LMNN约束项 | 第49-51页 |
| 5.2.2 LMNN约束项的反向传播 | 第51-52页 |
| 5.2.3 基于LMNN约束的双流3D卷积融合神经网络 | 第52-53页 |
| 5.3 基于HMDB51行为数据集的实验结果与分析 | 第53-57页 |
| 5.3.1 基于LMNN约束的双流CNN微调算法仿真与分析 | 第53-54页 |
| 5.3.2 基于费舍判别准则与LMNN的双流CNN微调算法仿真与分析 | 第54-57页 |
| 5.4 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间发表的论文 | 第67页 |
