| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 行为识别研究综述 | 第12-14页 |
| 1.2.1 问题定义和描述 | 第12页 |
| 1.2.2 研究难点 | 第12-13页 |
| 1.2.3 公开数据集 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.3.1 人工特征表示与深度学习特征表示 | 第14-15页 |
| 1.3.2 时序结构建模与时间分割网络 | 第15-16页 |
| 1.4 本文研究内容与结构 | 第16-19页 |
| 第二章 基于视频的行为特征表示 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 基于人工的行为特征表示 | 第19-23页 |
| 2.2.1 时空兴趣点 | 第20页 |
| 2.2.2 密集轨迹 | 第20-22页 |
| 2.2.3 词袋编码 | 第22-23页 |
| 2.3 基于深度学习的行为特征表示 | 第23-28页 |
| 2.3.1 3DCNN | 第23-25页 |
| 2.3.2 双流CNN及其改进TSN | 第25页 |
| 2.3.3 LRCN | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 针对非修剪视频的时间分割网络行为识别方法研究 | 第29-45页 |
| 3.1 引言 | 第29-30页 |
| 3.2 时间分割网络的原理 | 第30-34页 |
| 3.2.1 基于分割稀疏采样的动机 | 第30-31页 |
| 3.2.2 TSN框架描述 | 第31-32页 |
| 3.2.3 聚合函数与分析 | 第32-34页 |
| 3.3 时间分割网络的学习 | 第34-37页 |
| 3.3.1 TSN的搭建 | 第34-35页 |
| 3.3.2 TSN的训练 | 第35-36页 |
| 3.3.3 TSN的测试 | 第36-37页 |
| 3.4 多尺度滑动窗口集成方法 | 第37-38页 |
| 3.5 实验结果与分析 | 第38-44页 |
| 3.5.1 训练策略有效性验证 | 第39-40页 |
| 3.5.2 针对修剪视频的仿真研究 | 第40-43页 |
| 3.5.3 针对非修剪视频的仿真研究 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于动态图像的四流时间分割网络研究 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 动态图像 | 第45-50页 |
| 4.2.1 动态图像的原理 | 第46-47页 |
| 4.2.2 动态图像的快速生成算法 | 第47-49页 |
| 4.2.3 Rank-pooling层 | 第49-50页 |
| 4.3 四流时间分割网络 | 第50-51页 |
| 4.4 实验结果与分析 | 第51-56页 |
| 4.4.1 动态图像的仿真分析 | 第51-52页 |
| 4.4.2 四流TSN的仿真分析 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 基于光流学习的实时时间分割网络研究 | 第57-71页 |
| 5.1 引言 | 第57页 |
| 5.2 无监督光流学习 | 第57-62页 |
| 5.2.1 光流网络的结构 | 第58-59页 |
| 5.2.2 光流网络的有监督初始化 | 第59-60页 |
| 5.2.3 光流网络的无监督学习 | 第60-62页 |
| 5.3 实时时间分割网络 | 第62-63页 |
| 5.4 实验结果与分析 | 第63-68页 |
| 5.4.1 光流网络的仿真分析 | 第63-66页 |
| 5.4.2 RT-TSN的仿真分析 | 第66-68页 |
| 5.5 本章小结 | 第68-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-83页 |
| 攻读硕士学位期间发表的论文和成果 | 第83-84页 |