| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 人体行为识别的国内外研究现状 | 第10-16页 |
| 1.2.1 特征提取 | 第12-14页 |
| 1.2.2 分类方法 | 第14-16页 |
| 1.3 人体行为识别面临的挑战和发展趋势 | 第16页 |
| 1.4 本文主要工作 | 第16-17页 |
| 1.5 本文结构安排 | 第17页 |
| 1.6 本章小结 | 第17-19页 |
| 第2章 相关技术介绍 | 第19-29页 |
| 2.1 多任务学习 | 第19-23页 |
| 2.1.1 基于l_1范数正则化的多任务学习 | 第20页 |
| 2.1.2 基于l_(2,1)范数正则化多任务学习 | 第20-21页 |
| 2.1.3 基于噪声模型的多任务学习 | 第21页 |
| 2.1.4 基于图正则化的多任务学习 | 第21-22页 |
| 2.1.5 基于迹范数正则化的多任务学习 | 第22页 |
| 2.1.6 基于聚类的多任务学习 | 第22-23页 |
| 2.1.7 鲁棒性的多任务学习 | 第23页 |
| 2.1.8 多任务学习中的优化算法 | 第23页 |
| 2.2 信息论 | 第23-27页 |
| 2.2.1 熵 | 第24-25页 |
| 2.2.2 联合熵与条件熵 | 第25-26页 |
| 2.2.3 互信息 | 第26-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第3章 基于多任务学习的人体行为识别算法 | 第29-45页 |
| 3.1 算法框架概述 | 第29-30页 |
| 3.2 改进的稠密轨迹特征提取 | 第30-35页 |
| 3.2.1 摄像机运动消除 | 第30-31页 |
| 3.2.2 稠密采样 | 第31-32页 |
| 3.2.3 稠密轨迹提取 | 第32-33页 |
| 3.2.4 轨迹的特征描述 | 第33-35页 |
| 3.3 Fisher向量特征编码 | 第35-37页 |
| 3.3.1 高斯混合模型 | 第36页 |
| 3.3.2 特征编码 | 第36-37页 |
| 3.4 行为类别预分组 | 第37-42页 |
| 3.4.1 行为类别之间的相似性度量 | 第37-39页 |
| 3.4.2 近邻传播聚类 | 第39-42页 |
| 3.5 基于分组信息的多任务学习 | 第42-44页 |
| 3.6 本章总结 | 第44-45页 |
| 第4章 实验结果与分析 | 第45-53页 |
| 4.1 数据集介绍 | 第45-46页 |
| 4.2 评价指标 | 第46-47页 |
| 4.3 实验设置 | 第47页 |
| 4.4 实验结果与分析 | 第47-51页 |
| 4.4.1 分组信息的重要性 | 第47-49页 |
| 4.4.2 总体分析 | 第49-51页 |
| 4.5 本章总结 | 第51-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-63页 |
| 攻读硕士期间发表的论文 | 第63页 |