人体行为时空特征提取与识别算法设计与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 序言 | 第10-13页 |
| 1 引言 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 人工设计特征的提取算法 | 第15-16页 |
| 1.2.2 基于深度学习的特征提取算法 | 第16-17页 |
| 1.2.3 人体行为的分类方法 | 第17页 |
| 1.3 论文的研究内容与章节安排 | 第17-19页 |
| 1.3.1 论文研究内容 | 第17-18页 |
| 1.3.2 论文章节安排 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 2 深层长期循环卷积神经网络 | 第20-33页 |
| 2.1 长期循环卷积神经网络 | 第20-25页 |
| 2.1.1 AlexNet特征提取 | 第21-22页 |
| 2.1.2 LSTM时序关系建模 | 第22-24页 |
| 2.1.3 LRCN网络总体框架 | 第24-25页 |
| 2.2 改进的LRCN算法 | 第25-28页 |
| 2.2.1 ResNet-34特征提取 | 第25-28页 |
| 2.2.2 改进的LRCN网络总体框架 | 第28页 |
| 2.3 实验结果与分析 | 第28-32页 |
| 2.3.1 人体行为数据集描述 | 第28-30页 |
| 2.3.2 算法对比 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 视频行为长时关系建模及推理 | 第33-51页 |
| 3.1 时间关系网络 | 第33-38页 |
| 3.1.1 MLP特征融合 | 第34-37页 |
| 3.1.2 TRN网络总体框架 | 第37-38页 |
| 3.2 基于残差特征的傅里叶时间金字塔算法 | 第38-45页 |
| 3.2.1 ResNet-34特征提取 | 第39页 |
| 3.2.2 FTP长时序关系建模和推理 | 第39-41页 |
| 3.2.3 SVM分类器 | 第41-45页 |
| 3.2.4 ResFTP网络总体框架 | 第45页 |
| 3.3 实验结果与分析 | 第45-50页 |
| 3.3.1 人体行为数据集描述 | 第45-46页 |
| 3.3.2 算法对比 | 第46-50页 |
| 3.4 本章小结 | 第50-51页 |
| 4 视频行为多粒度注意力提取 | 第51-64页 |
| 4.1 SE-ResNet-34特征提取 | 第51-53页 |
| 4.2 SE-LSTM时序关系建模 | 第53-55页 |
| 4.3 SE-LRCN网络总体框架 | 第55页 |
| 4.4 实验结果与分析 | 第55-60页 |
| 4.4.1 人体行为数据集 | 第55-56页 |
| 4.4.2 实验结果与分析 | 第56-58页 |
| 4.4.3 State-of-the-art分析 | 第58-60页 |
| 4.5 特征图可视化分析 | 第60-63页 |
| 4.5.1 特征图可视化 | 第60-62页 |
| 4.5.2 注意力区域 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |
