基于深度学习的体育视频关键姿态检测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题背景与意义 | 第8页 |
| 1.2 研究现状 | 第8-13页 |
| 1.2.1 人体姿态估计 | 第9-10页 |
| 1.2.2 图像分类 | 第10-13页 |
| 1.3 论文主要内容和论文结构 | 第13-16页 |
| 第2章 深度学习基础知识 | 第16-34页 |
| 2.1 深度学习 | 第16-22页 |
| 2.1.1 深度学习的发展 | 第17-18页 |
| 2.1.2 单层卷积神经网络 | 第18-20页 |
| 2.1.3 卷积神经网络 | 第20-22页 |
| 2.2 Caffe框架 | 第22-27页 |
| 2.2.1 简介 | 第22-23页 |
| 2.2.2 特点 | 第23页 |
| 2.2.3 Caffe架构 | 第23-24页 |
| 2.2.4 Caffe模型 | 第24-27页 |
| 2.3 面向特定应用的卷积神经网络 | 第27-33页 |
| 2.3.1 全卷积神经网络（FCN） | 第27-32页 |
| 2.3.2 deepskeleton网络 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于感兴趣区域分类学习的关键姿态检测 | 第34-48页 |
| 3.1 算法总体框架 | 第34页 |
| 3.2 数据获取 | 第34-35页 |
| 3.3 融合FCN和聚类的感兴趣区域自动提取算法 | 第35-38页 |
| 3.3.1 基于FCN的感兴趣区域自动分割 | 第35-36页 |
| 3.3.2 基于聚类的分割结果优化 | 第36-38页 |
| 3.3.3 视频帧感兴趣区域自动获取 | 第38页 |
| 3.4 基于卷积神经网络的图像分类算法 | 第38-44页 |
| 3.4.1 算法总体框架 | 第38-39页 |
| 3.4.2 ImageNet数据库 | 第39页 |
| 3.4.3 模型微调 | 第39-40页 |
| 3.4.4 训练模型 | 第40-44页 |
| 3.5 视频帧分类结果选择策略 | 第44-45页 |
| 3.6 实验结果 | 第45-47页 |
| 3.6.1 关键姿态分类实验 | 第45页 |
| 3.6.2 实验对比 | 第45-46页 |
| 3.6.3 视频整体测试实验 | 第46-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第4章 基于关键对象骨架的感兴趣区域增强 | 第48-58页 |
| 4.1 算法总体框架 | 第48页 |
| 4.2 提取骨架 | 第48-55页 |
| 4.2.1 数据准备 | 第48-52页 |
| 4.2.2 生成骨架信息 | 第52-55页 |
| 4.3 实验结果 | 第55-56页 |
| 4.3.1 关键姿态分类实验 | 第55页 |
| 4.3.2 实验对比 | 第55页 |
| 4.3.3 整个视频测试实验 | 第55-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 系统实现 | 第58-64页 |
| 5.1 系统设计方案 | 第58页 |
| 5.2 系统功能模块 | 第58-63页 |
| 5.2.1 系统方案总体设计 | 第58-59页 |
| 5.2.2 系统主界面 | 第59-60页 |
| 5.2.3 视频播放模块 | 第60页 |
| 5.2.4 关键帧提取模块 | 第60-62页 |
| 5.2.5 关键帧显示模块 | 第62-63页 |
| 5.3 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间所发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |
