| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 动作识别研究现状 | 第10-12页 |
| 1.3 研究内容与章节安排 | 第12-13页 |
| 第二章 人体动作识别研究概述 | 第13-25页 |
| 2.1 人体动作识别框架 | 第13页 |
| 2.2 人体动作识别中的特征提取 | 第13-15页 |
| 2.2.1 基于RGB图像序列的特征提取 | 第13-14页 |
| 2.2.2 基于RGB-D视频数据的特征提取 | 第14-15页 |
| 2.3 人体动作识别中的特征表示 | 第15-21页 |
| 2.3.1 特征袋表示方法 | 第15-16页 |
| 2.3.2 稀疏编码表示方法 | 第16-17页 |
| 2.3.3 深度学习表示方法 | 第17-21页 |
| 2.4 人体动作识别中的分类模型 | 第21-23页 |
| 2.4.1 逻辑回归分类 | 第21页 |
| 2.4.2 softmax回归分类 | 第21-23页 |
| 2.5 人体动作识别面临的挑战 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于卷积神经网络的动作识别 | 第25-42页 |
| 3.1 卷积神经网络 | 第25-31页 |
| 3.1.1 CNN基本框架 | 第25-28页 |
| 3.1.2 CNN训练过程 | 第28-31页 |
| 3.2 基于 2D CNN的动作识别模型 | 第31-36页 |
| 3.2.1 模型框架 | 第31页 |
| 3.2.2 网络结构设计 | 第31-33页 |
| 3.2.3 无监督的预训练 | 第33-36页 |
| 3.3 实验过程与分析 | 第36-41页 |
| 3.3.1 实验数据集 | 第36-37页 |
| 3.3.2 实验数据设置 | 第37-38页 |
| 3.3.3 实验结果和对比分析 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于 3D卷积神经网络的人体动作识别 | 第42-56页 |
| 4.1 3D卷积神经网络 | 第42-48页 |
| 4.1.1 3D卷积原理 | 第42-45页 |
| 4.1.2 多分辨率 3D CNN架构 | 第45-48页 |
| 4.2 初始化策略 | 第48-50页 |
| 4.2.1 均值初始化方法 | 第48-49页 |
| 4.2.2 比例缩放初始化方法 | 第49页 |
| 4.2.3 零权值初始化方法 | 第49页 |
| 4.2.4 负权值初始化方法 | 第49-50页 |
| 4.3 实验过程与分析 | 第50-54页 |
| 4.3.1 实验数据集 | 第51页 |
| 4.3.2 实验数据设置 | 第51-52页 |
| 4.3.3 实验结果和对比分析 | 第52-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 基于深度置信网络的动作识别 | 第56-75页 |
| 5.1 基于深度置信网络的动作识别模型 | 第56-57页 |
| 5.2 低层数据表示 | 第57-62页 |
| 5.2.1 深度图片 | 第58-59页 |
| 5.2.2 动作表征 | 第59-60页 |
| 5.2.3 特征提取 | 第60-62页 |
| 5.3 高层数据表示 | 第62-69页 |
| 5.3.1 深度置信网络基本原理 | 第63-66页 |
| 5.3.2 基于Bootstrapping的RBM学习方法 | 第66-67页 |
| 5.3.3 动作识别的DBN架构 | 第67-69页 |
| 5.4 实验过程与分析 | 第69-74页 |
| 5.4.1 实验数据集 | 第70-71页 |
| 5.4.2 实验数据设置 | 第71-72页 |
| 5.4.3 实验结果和对比分析 | 第72-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75页 |
| 6.2 展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 附录 攻读硕士学位期间撰写的论文 | 第81-82页 |
| 致谢 | 第82页 |