基于3D卷积神经网络的行为识别方法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 行为识别国内外研究现状 | 第9-11页 |
| 1.3 课题的主要研究内容及章节安排 | 第11-14页 |
| 2 行为识别的相关技术 | 第14-24页 |
| 2.1 基于深度学习的行为识别方法 | 第14-19页 |
| 2.1.1 基于3D卷积网络的行为识别 | 第14-15页 |
| 2.1.2 基于双流卷积网络的行为识别 | 第15-17页 |
| 2.1.3 基于轨迹池化深度卷积描述子的行为识别 | 第17-18页 |
| 2.1.4 基于深度网络的行为识别 | 第18-19页 |
| 2.2 行为识别中的特征选择 | 第19-21页 |
| 2.3 行为识别分类方法 | 第21-22页 |
| 2.3.1 支持向量机 | 第21-22页 |
| 2.3.2 卷积神经网络 | 第22页 |
| 2.4 本章小结 | 第22-24页 |
| 3 基于3D卷积神经网络的行为识别算法研究 | 第24-38页 |
| 3.1 算法框架 | 第24-25页 |
| 3.2 基于稠密光流的运动轨迹提取 | 第25-27页 |
| 3.3 基于运动轨迹像素值提取 | 第27-28页 |
| 3.4 基于运动轨迹的3D卷积神经网络设计 | 第28-31页 |
| 3.4.1 3D卷积神经网络结构 | 第29-30页 |
| 3.4.2 基于运动轨迹的3D卷积神经网络结构 | 第30-31页 |
| 3.5 实验结果与分析 | 第31-37页 |
| 3.5.1 行为识别常用公共数据集 | 第31-35页 |
| 3.5.2 网络训练 | 第35-36页 |
| 3.5.3 实验结果 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 基于3D卷积神经网络特征融合的行为识别 | 第38-50页 |
| 4.1 时域特征提取 | 第38-42页 |
| 4.1.1 时域卷积神经网络模型 | 第38-41页 |
| 4.1.2 训练过程 | 第41-42页 |
| 4.2 特征提取与融合 | 第42-45页 |
| 4.2.1 特征提取 | 第42-43页 |
| 4.2.2 特征融合 | 第43-45页 |
| 4.3 特征分类 | 第45-46页 |
| 4.4 实验结果 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 致谢 | 第52-54页 |
| 参考文献 | 第54-57页 |
