| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 传统行为识别方法 | 第11-14页 |
| 1.2.2 深度学习方法 | 第14-15页 |
| 1.2.3 时域建模方法 | 第15-16页 |
| 1.3 目前存在的主要问题 | 第16-17页 |
| 1.3.1 空间特征表达不足 | 第17页 |
| 1.3.2 时域建模缺失 | 第17页 |
| 1.4 本文主要工作及创新点 | 第17-18页 |
| 1.5 本文组织结构 | 第18-20页 |
| 第二章 基于Bi-LSTM的双向行为特征描述 | 第20-32页 |
| 2.1 双向行为特征描述框架 | 第20页 |
| 2.2 深度卷积神经网络概述 | 第20-22页 |
| 2.3 递归神经网络概述 | 第22-24页 |
| 2.4 双向时空上下文建模 | 第24-27页 |
| 2.4.1 增强的卷积神经网络模型 | 第24-26页 |
| 2.4.2 双向长短时记忆单元模型 | 第26-27页 |
| 2.5 实验结果分析 | 第27-31页 |
| 2.5.1 UCF-101 和HMDB-51 数据集介绍 | 第28页 |
| 2.5.2 增强卷积网络的训练 | 第28-29页 |
| 2.5.3 卷积网络特征可视化 | 第29-30页 |
| 2.5.4 增强卷积网络性能与分析 | 第30页 |
| 2.5.5 Bi-LSTM性能与分析 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于多层时空建模的多粒度行为特征描述 | 第32-42页 |
| 3.1 多粒度行为特征描述框架 | 第32-33页 |
| 3.2 傅里叶变换概述 | 第33-34页 |
| 3.3 傅里叶时间金字塔模型 | 第34-37页 |
| 3.3.1 时间金字塔模型 | 第34-35页 |
| 3.3.2 改进的自适应时间金字塔模型 | 第35-37页 |
| 3.4 实验结果分析 | 第37-41页 |
| 3.4.1 金字塔层数对性能影响 | 第37页 |
| 3.4.2 金字塔特征可视化 | 第37-38页 |
| 3.4.3 方法效果比较分析 | 第38-40页 |
| 3.4.4 模型性能比较分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于多时空模型融合的行为识别 | 第42-57页 |
| 4.1 基于多时空模型融合的整体框架 | 第42-43页 |
| 4.2 基于卷积特征图编码的空间行为特征描述 | 第43-48页 |
| 4.2.1 稠密轨迹特征 | 第43-44页 |
| 4.2.2 特征编码 | 第44-46页 |
| 4.2.3 深度卷积特征图编码 | 第46-48页 |
| 4.3 基于多模型融合的行为识别 | 第48-51页 |
| 4.4 实验结果分析 | 第51-56页 |
| 4.4.1 卷积特征图编码的性能分析 | 第51-52页 |
| 4.4.2 多模型融合方法的性能分析 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 论文工作总结 | 第57-58页 |
| 5.2 未来工作展望 | 第58-59页 |
| 参考文献 | 第59-66页 |
| 攻读学位期间参与科研项目和公开发表的论文 | 第66-67页 |
| 致谢 | 第67-68页 |