基于密集轨迹与深度学习的人体动作识别
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文组织结构 | 第13-14页 |
| 第二章 基于特征描述符的视频表示方法 | 第14-24页 |
| 2.1 特征描述方法的一般流程 | 第14-15页 |
| 2.2 改进版密集轨迹特征描述符 | 第15-17页 |
| 2.2.1 密集采样 | 第16页 |
| 2.2.2 轨迹形成 | 第16-17页 |
| 2.2.3 特征描述算子 | 第17页 |
| 2.3 特征提取 | 第17-18页 |
| 2.4 特征采样 | 第18-19页 |
| 2.5 特征降维 | 第19-21页 |
| 2.5.1 主成分分析算法 | 第19-20页 |
| 2.5.2 局部保留投影算法 | 第20-21页 |
| 2.6 特征聚类 | 第21-22页 |
| 2.6.1 K均值聚类算法 | 第21页 |
| 2.6.2 高斯混合模型算法 | 第21-22页 |
| 2.7 特征量化 | 第22-24页 |
| 2.7.1 BOW量化方法 | 第22-23页 |
| 2.7.2 Fisher向量量化方法 | 第23-24页 |
| 第三章 基于深度学习的视频表示方法 | 第24-33页 |
| 3.1 特征工程与深度学习 | 第24-25页 |
| 3.2 深度学习方法的一般流程 | 第25页 |
| 3.3 感知机 | 第25-26页 |
| 3.4 前馈神经网络 | 第26-27页 |
| 3.5 反向传播算法 | 第27-28页 |
| 3.6 隐含层 | 第28页 |
| 3.7 自编码器 | 第28-29页 |
| 3.8 栈式叠加自编码器 | 第29-30页 |
| 3.9 受限玻尔兹曼机 | 第30页 |
| 3.10 深度置信网络 | 第30-31页 |
| 3.11 卷积神经网络 | 第31-33页 |
| 第四章 动作识别分类实验 | 第33-40页 |
| 4.1 数据集介绍 | 第33-36页 |
| 4.1.1 UCF-101 数据集 | 第34页 |
| 4.1.2 HMDB-51 数据集 | 第34-35页 |
| 4.1.3 THUMOS 2014 数据集 | 第35-36页 |
| 4.2 训练与分类方法 | 第36-37页 |
| 4.3 实验结果 | 第37-40页 |
| 4.3.1 特征变换算法对于分类效果的影响 | 第37-38页 |
| 4.3.2 组合视频表示对于分类效果的影响 | 第38-40页 |
| 第五章 论文总结与研究展望 | 第40-41页 |
| 5.1 论文总结 | 第40页 |
| 5.2 研究展望 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 发表论文和参加科研情况说明 | 第44-45页 |
| 致谢 | 第45-46页 |
