摘要 | 第4-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第12-19页 |
1.1 课题背景和意义 | 第12-13页 |
1.2 相关工作 | 第13-17页 |
1.2.1 基于原始RGB和深度图序列的行为识别 | 第13-15页 |
1.2.1.1 用人工设计的特征进行行为识别 | 第13-14页 |
1.2.1.2 用机器学习方法进行行为识别 | 第14-15页 |
1.2.2 基于骨架序列的人体行为识别 | 第15-17页 |
1.3 本文主要内容 | 第17-19页 |
第二章 基于多模态运动序列空时学习的3D行为识别 | 第19-38页 |
2.1 引言 | 第19-20页 |
2.2 相关研究工作 | 第20-22页 |
2.2.1 基于空时卷积特征的行为识别 | 第20-21页 |
2.2.2 基于骨架空时表达的行为识别 | 第21-22页 |
2.3 多模态3D空时卷积框架 | 第22-27页 |
2.3.1 深度序列的空时特征学习 | 第23页 |
2.3.2 深度运动图的空时特征学习 | 第23-25页 |
2.3.3 混合模型的实现 | 第25-27页 |
2.4 实验 | 第27-37页 |
2.4.1 数据集 | 第27-29页 |
2.4.2 在MSR-Action3D数据集上的实验效果评估 | 第29-34页 |
2.4.3 在UTD-MHAD数据集上的实验效果评估 | 第34-35页 |
2.4.4 在UTKinect-Action3D数据集上的实验效果评估 | 第35-37页 |
2.5 本章小结 | 第37-38页 |
第三章 流形空间中多任务空时学习的3D行为识别 | 第38-65页 |
3.1 引言 | 第38-39页 |
3.2 基于特殊正交流形空间上的3D人体骨架表示 | 第39-42页 |
3.2.1 在3D空间中的刚体变换 | 第39-41页 |
3.2.2 在特殊正交流形空间上对3D人体骨架进行表示 | 第41-42页 |
3.3 共享流形特征空间的多任务学习3D行为识别 | 第42-44页 |
3.4 实验 | 第44-53页 |
3.4.1 数据集 | 第44-46页 |
3.4.2 在UTKinect-Action3D数据集上的实验效果评估 | 第46-47页 |
3.4.3 在MSR-Action3D数据集上的实验效果评估 | 第47-51页 |
3.4.4 在Florence数据集上的实验效果评估 | 第51-53页 |
3.5 基于多种空时异构特征的多任务联合学习行为识别方法 | 第53-54页 |
3.6 实验结果评估 | 第54-64页 |
3.6.1 在MSRAction3D数据集上的实验效果评估 | 第54-57页 |
3.6.2 在UTD-MHAD数据集上的实验效果评估 | 第57-61页 |
3.6.3 在UTKinect-Action3D数据集上的实验效果评估 | 第61-64页 |
3.7 本章小结 | 第64-65页 |
第四章 总结与展望 | 第65-67页 |
4.1 本文工作总结 | 第65-66页 |
4.2 未来工作展望 | 第66-67页 |
致谢 | 第67-68页 |
参考文献 | 第68-77页 |