| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究工作的背景与意义 | 第8-9页 |
| 1.2 国内外发展现状 | 第9-10页 |
| 1.3 研究内容与主要工作 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 第二章 基础理论与相关技术 | 第12-27页 |
| 2.1 卷积神经网络的理论基础 | 第12-19页 |
| 2.1.1 基本神经元简介 | 第12-13页 |
| 2.1.2 前馈神经网络的结构 | 第13-14页 |
| 2.1.3 梯度下降 | 第14-16页 |
| 2.1.4 反向传播 | 第16-19页 |
| 2.2 卷积神经网络结构 | 第19-24页 |
| 2.2.1 各种线性计算层 | 第19-22页 |
| 2.2.2 激活函数 | 第22-23页 |
| 2.2.3 网络整体架构 | 第23-24页 |
| 2.3 视频动作数据集选择 | 第24-25页 |
| 2.3.1 KTH数据集 | 第24-25页 |
| 2.3.2 UCF101数据集 | 第25页 |
| 2.3.3 HMDB51数据集 | 第25页 |
| 2.4 开源框架选择 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于时空兴趣点的人体动作识别 | 第27-35页 |
| 3.1 引言 | 第27页 |
| 3.2 动作识别系统 | 第27-33页 |
| 3.2.1 Harris-Laplace时空兴趣点检测 | 第28-29页 |
| 3.2.2 LoG筛选角点 | 第29页 |
| 3.2.3 3D-SIFT描述子 | 第29-31页 |
| 3.2.4 构建视觉词袋 | 第31-32页 |
| 3.2.5 支持向量机(SVM)分类 | 第32-33页 |
| 3.3 实验结果与分析 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 改进的时空卷积神经网络 | 第35-51页 |
| 4.1 引言 | 第35页 |
| 4.2 批归一化处理算法 | 第35-40页 |
| 4.2.1 批归一化处理 | 第35-38页 |
| 4.2.2 神经网络的批归一化处理算法 | 第38-40页 |
| 4.3 GoogLeNet深度卷积神经网络结构介绍 | 第40-42页 |
| 4.3.1 Inception网络模型 | 第40-41页 |
| 4.3.2 批归一化处理与inception相结合的模型构建 | 第41-42页 |
| 4.4 构建时空卷积神经网络 | 第42-46页 |
| 4.4.1 TV-L1光流特征 | 第42-45页 |
| 4.4.2 深度卷积神经网络的架构 | 第45页 |
| 4.4.3 构建时空网络 | 第45-46页 |
| 4.5 深度卷积神经网络的训练 | 第46-47页 |
| 4.5.1 动作识别数据集预处理 | 第47页 |
| 4.5.2 训练网络 | 第47页 |
| 4.6 实验结果与分析 | 第47-50页 |
| 4.7 本章小结 | 第50-51页 |
| 第五章 改进的三维卷积神经网络 | 第51-61页 |
| 5.1 引言 | 第51页 |
| 5.2 残差学习 | 第51-52页 |
| 5.3 残差模型局部单元 | 第52-55页 |
| 5.4 三维卷积 | 第55-57页 |
| 5.5 构建三维卷积神经网络模型 | 第57-58页 |
| 5.6 实验结果与分析 | 第58-60页 |
| 5.7 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 作者在读期间科研成果简介 | 第69-70页 |
| 致谢 | 第70页 |
