基于深度学习的人体行为识别
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 人体行为识别数据集 | 第11-12页 |
| 1.4 主要研究内容 | 第12页 |
| 1.5 论文组织结构 | 第12-14页 |
| 2 人体行为识别算法概述 | 第14-22页 |
| 2.1 传统算法概述 | 第14-17页 |
| 2.1.1 时空兴趣点算法 | 第14-15页 |
| 2.1.2 词袋模型 | 第15-16页 |
| 2.1.3 判别部件模型 | 第16-17页 |
| 2.2 深度学习算法概述 | 第17-21页 |
| 2.2.1 3D卷积神经网络模型 | 第18-19页 |
| 2.2.2 LSTM模型网络 | 第19-21页 |
| 2.2.3 双流网络模型 | 第21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 基于光流特征的深度学习行为识别 | 第22-37页 |
| 3.1 引言 | 第22-23页 |
| 3.2 光流特征提取 | 第23-25页 |
| 3.3 卷积神经网络设计 | 第25-31页 |
| 3.3.1 卷积神经网络模型 | 第25-28页 |
| 3.3.2 防止过拟合 | 第28-30页 |
| 3.3.3 长短时间融合方法 | 第30-31页 |
| 3.4 实验与分析 | 第31-36页 |
| 3.4.1 UCF101数据集 | 第32页 |
| 3.4.2 训练网络及测试 | 第32-34页 |
| 3.4.3 训练策略影响 | 第34-35页 |
| 3.4.4 视频分段对结果影响 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于稀疏低秩特征的深度学习行为识别 | 第37-51页 |
| 4.1 引言 | 第37页 |
| 4.2 稀疏、低秩特征提取 | 第37-43页 |
| 4.2.1 经典主成分分析 | 第37-38页 |
| 4.2.2 鲁棒主成分原理 | 第38-40页 |
| 4.2.3 鲁棒主成分求解 | 第40-43页 |
| 4.3 残差双流网络 | 第43-46页 |
| 4.3.1 残差网络 | 第43-44页 |
| 4.3.2 双流卷积神经网络融合 | 第44-46页 |
| 4.4 实验与分析 | 第46-48页 |
| 4.4.1 初始化不同条件下的识别结果 | 第46-47页 |
| 4.4.2 不同融合方式的识别结果 | 第47页 |
| 4.4.3 与其他算法对比 | 第47-48页 |
| 4.5 稀疏低秩特征与光流特征融合 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 5 总结与展望 | 第51-53页 |
| 5.1 全文总结 | 第51-52页 |
| 5.2 工作展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 附录 | 第59页 |
| A 作者在攻读学位期间发表的论文目录 | 第59页 |
