首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于特征融合的行为识别方法研究

摘要第3-5页
abstract第5-6页
1 绪论第9-15页
    1.1 课题研究的背景及意义第9-10页
    1.2 国内外研究现状第10-12页
        1.2.1 全局特征第10-11页
        1.2.2 局部特征第11页
        1.2.3 深度学习特征第11-12页
        1.2.4 融合特征第12页
    1.3 课题研究内容第12-13页
    1.4 论文的结构安排第13-15页
2 行为识别相关方法第15-27页
    2.1 基于传统机器学习方法的人体行为识别方法第15-22页
        2.1.1 基于图像特征的行为识别第15-16页
        2.1.2 基于时空局部兴趣点特征的行为识别第16页
        2.1.3 基于轨迹特征方法的行为识别第16-22页
    2.2 基于深度学习方法的人体行为识别方法第22-24页
        2.2.1 基于双流卷积神经网络行为识别方法第22-23页
        2.2.2 基于 3D卷积神经网络行为识别方法第23-24页
    2.3 人体行为识别相关数据集介绍第24-26页
    2.4 本章小结第26-27页
3 基于显著性的时域分割双流卷积神经网络第27-41页
    3.1 基于时域分割双流卷积神经网络的行为识别第28-35页
        3.1.1 基于Inception V2的双流卷积神经网络第28-30页
        3.1.2 样本数据扩充第30-31页
        3.1.3 基于时域分割的卷积神经网络学习第31-35页
    3.2 基于显著性的时域分割双流网络结构模型第35-38页
        3.2.1 显著性模型介绍第35页
        3.2.2 基于显著性的双流卷积网络第35-38页
    3.3 双流卷积网络和显著性网络的结果与分析第38-39页
        3.3.1 模型的测试及结果分析第38-39页
        3.3.2 模型的融合及结果分析第39页
    3.4 本章小结第39-41页
4 基于特征融合的行为识别第41-51页
    4.1 基于密集轨迹的特征提取第41-42页
    4.2 基于双流卷积神经网络的特征提取第42-44页
    4.3 特征融合第44-45页
    4.4 SVM分类第45-46页
    4.5 实验结果与分析第46-49页
        4.5.1 实验环境第46页
        4.5.2 实验结果与分析第46-49页
    4.6 本章总结第49-51页
5 总结与展望第51-53页
    5.1 本文的工作总结第51-52页
    5.2 展望第52-53页
致谢第53-55页
参考文献第55-58页

论文共58页,点击 下载论文
上一篇:基于深度学习的图像风格艺术化
下一篇:基于4G网络的果园环境监测系统研究与开发