基于深度学习的视频行为识别技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 主要研究内容 | 第12页 |
| 1.4 本文结构安排 | 第12-14页 |
| 第二章 视频内容识别技术相关基础和理论 | 第14-28页 |
| 2.1 基于内容的视频识别技术介绍 | 第14-15页 |
| 2.1.1 动作描述 | 第14页 |
| 2.1.2 动作分类 | 第14-15页 |
| 2.2 深度学习相关理论 | 第15-23页 |
| 2.2.1 卷积神经网络 | 第15-22页 |
| 2.2.2 LSTM | 第22-23页 |
| 2.3 基于深度学习的视频动作识别方法 | 第23-26页 |
| 2.3.1 基于视频帧的识别方法 | 第23-24页 |
| 2.3.2 基于双通道的识别方法 | 第24-25页 |
| 2.3.3 基于LSTM的识别方法 | 第25-26页 |
| 2.3.4 基于三维卷积的识别方法 | 第26页 |
| 2.4 相关数据集与竞赛 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于注意力机制的时空融合模型 | 第28-47页 |
| 3.1 视频时空特征融合 | 第28-32页 |
| 3.1.1 视频空间特征提取 | 第29-30页 |
| 3.1.2 视频光流特征提取 | 第30-31页 |
| 3.1.3 视频帧和光流序列卷积特征压缩 | 第31-32页 |
| 3.2 注意力机制 | 第32-34页 |
| 3.2.1 硬注意力机制 | 第33页 |
| 3.2.2 软注意力机制 | 第33-34页 |
| 3.3 基于注意力机制的时空融合模型 | 第34-37页 |
| 3.4 实验结果与性能分析 | 第37-45页 |
| 3.4.1 实验环境及设置 | 第38-39页 |
| 3.4.2 准确性分析 | 第39-42页 |
| 3.4.3 注意力可视化分析 | 第42-45页 |
| 3.4.4 真实场景识别效果画面展示 | 第45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 基于快进连接和时域多尺度的时空融合模型 | 第47-64页 |
| 4.1 深层LSTM模型 | 第47-48页 |
| 4.2 基于快进连接的时空融合模型 | 第48-50页 |
| 4.3 时域多尺度时空融合模型 | 第50-52页 |
| 4.3.1 图像中多尺度运用 | 第50页 |
| 4.3.2 时域多尺度LSTM应用 | 第50-52页 |
| 4.4 实验结果与性能分析 | 第52-63页 |
| 4.4.1 实验环境及设置 | 第52页 |
| 4.4.2 基于快进连接的时空融合模型性能分析 | 第52-57页 |
| 4.4.3 时域多尺度时空融合模型性能分析 | 第57-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-67页 |
| 5.1 内容总结 | 第64-65页 |
| 5.2 研究展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士期间参与的项目与发表论文 | 第72页 |
