| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 人体行为识别研究现状 | 第11-13页 |
| 1.2.2 深度学习研究现状 | 第13-14页 |
| 1.2.3 深度学习在人体行为识别上的研究现状 | 第14-15页 |
| 1.3 本文主要工作 | 第15-16页 |
| 1.4 本文结构安排 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 相关背景介绍 | 第17-33页 |
| 2.1 卷积神经网络 | 第17-24页 |
| 2.1.1 卷积神经网络的结构 | 第18-19页 |
| 2.1.2 卷积操作 | 第19-21页 |
| 2.1.3 激活函数 | 第21-23页 |
| 2.1.4 池化操作 | 第23-24页 |
| 2.2 循环神经网络 | 第24-26页 |
| 2.3 LDA主题模型 | 第26-28页 |
| 2.4 支持向量机 | 第28-30页 |
| 2.5 本章小结 | 第30-33页 |
| 第3章 基于多尺度CNN特征和LDA主题模型的人体行为识别算法 | 第33-45页 |
| 3.1 算法框架概述 | 第33-34页 |
| 3.2 CNN特征提取 | 第34-36页 |
| 3.3 多尺度CNN特征构建 | 第36-37页 |
| 3.4 基于LDA主题模型的视频表示 | 第37-42页 |
| 3.4.1 视觉词典建立和词频矩阵构建 | 第38-41页 |
| 3.4.2 视频主题直方图提取 | 第41-42页 |
| 3.5 分类器构建 | 第42-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第4章 基于多尺度CNN-LSTM的人体行为识别算法 | 第45-51页 |
| 4.1 算法框架概述 | 第45-46页 |
| 4.2 多尺度CNN特征的自适应融合 | 第46-47页 |
| 4.3 多尺度CNN-LSTM网络模型的训练与识别 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验结果与分析 | 第51-63页 |
| 5.1 数据集介绍 | 第51-52页 |
| 5.2 实验设置 | 第52-54页 |
| 5.3 基于多尺度CNN特征和LDA主题模型的人体行为识别算法实验 | 第54-58页 |
| 5.3.1 总体分析 | 第54页 |
| 5.3.2 UCF-Sports数据集实验结果 | 第54-56页 |
| 5.3.3 UCF-11数据集实验结果 | 第56-58页 |
| 5.4 基于多尺度CNN-LSTM的人体行为识别算法实验 | 第58-60页 |
| 5.5 本章总结 | 第60-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 攻读硕士期间发表的论文 | 第73页 |
