基于深度卷积神经网络的人体姿势估计研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 姿势估计的背景与意义 | 第9页 |
| 1.2 姿势估计的研究现状和发展趋势 | 第9-12页 |
| 1.2.1 研究现状 | 第10-11页 |
| 1.2.2 发展趋势 | 第11-12页 |
| 1.3 研究目标和内容 | 第12-13页 |
| 1.4 本论文的结构安排 | 第13-14页 |
| 第二章 人体姿势估计概述 | 第14-32页 |
| 2.1 基于图结构的姿势估计 | 第14-23页 |
| 2.1.1 图结构 | 第14-19页 |
| 2.1.1.1 图结构的能量函数描述 | 第14-15页 |
| 2.1.1.2 图结构的概率统计描述 | 第15-17页 |
| 2.1.1.3 图结构的参数学习 | 第17-18页 |
| 2.1.1.4 图结构的匹配算法 | 第18-19页 |
| 2.1.2 图结构在姿势估计中的应用 | 第19-23页 |
| 2.1.2.1 Poselet | 第19-21页 |
| 2.1.2.2 混合部件模型 | 第21-23页 |
| 2.2 基于深度学习的姿势估计 | 第23-31页 |
| 2.2.1 深度卷积神经网络 | 第24-30页 |
| 2.2.1.1 神经元和连接 | 第25页 |
| 2.2.1.2 前向传播和后向传播算法 | 第25-27页 |
| 2.2.1.3 随机梯度下降法 | 第27-29页 |
| 2.2.1.4 局部连接和权重共享 | 第29-30页 |
| 2.2.2 深度学习在姿势估计中的应用 | 第30-31页 |
| 2.2.2.1 Deep Pose | 第30页 |
| 2.2.2.2 基于检测的方法 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 姿势估计的适应性全效表达框架 | 第32-51页 |
| 3.1 总体框架 | 第33-36页 |
| 3.2 图像理预处理和后处理 | 第36-40页 |
| 3.2.1 训练时数据增强 | 第36-39页 |
| 3.2.2 运行时数据处理 | 第39-40页 |
| 3.3 独立损失网 | 第40-47页 |
| 3.3.1 独立损失网的设计目标 | 第40-42页 |
| 3.3.2 独立损失网的整体结构 | 第42-45页 |
| 3.3.3 独立输出层和独立损失函数 | 第45-47页 |
| 3.4 局部卷积检测器 | 第47-50页 |
| 3.4.1 局部卷积检测器的网络结构 | 第47-48页 |
| 3.4.2 局部卷积检测器与独立损失网的融合 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 适应性全效表达框架测试和分析 | 第51-74页 |
| 4.1 数据集和度量标准 | 第51-53页 |
| 4.1.1 人体姿势估计数据集介绍 | 第51页 |
| 4.1.2 人体姿势估计度量标准 | 第51-53页 |
| 4.2 整体性能测试 | 第53-65页 |
| 4.2.1 实验流程 | 第53-55页 |
| 4.2.2 实验结果和分析 | 第55-58页 |
| 4.2.3 局部卷积检测器性能增益 | 第58-62页 |
| 4.2.4 参数选择 | 第62-65页 |
| 4.2.4.1 σ的选择 | 第63页 |
| 4.2.4.2 λ的选择 | 第63-64页 |
| 4.2.4.3 β的选择 | 第64-65页 |
| 4.3 独立损失网的性能和效率 | 第65-73页 |
| 4.3.1 跨数据集泛化能力 | 第67-68页 |
| 4.3.2 独立损失网的效率 | 第68-71页 |
| 4.3.3 独立损失网可视化分析 | 第71-73页 |
| 4.4 本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 本文研究工作总结 | 第74-75页 |
| 5.2 研究展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻硕期间取得的研究成果 | 第82-83页 |
