基于深度学习的人体骨架提取方法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 研究现状和技术难点 | 第12-14页 |
| 1.2.1 研究现状 | 第12-13页 |
| 1.2.2 技术难点 | 第13-14页 |
| 1.3 本文的主要工作 | 第14页 |
| 1.4 本文的结构安排 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 相关理论与技术 | 第16-33页 |
| 2.1 基于图结构模型的骨架提取 | 第16-22页 |
| 2.1.1 人体图结构模型定义 | 第16-18页 |
| 2.1.2 图结构模型的统计学描述 | 第18-19页 |
| 2.1.3 图结构模型在骨架提取上的典型方法 | 第19-22页 |
| 2.2 基于深度学习的骨架提取 | 第22-32页 |
| 2.2.1 反向传播算法 | 第22-26页 |
| 2.2.2 神经网络优化算法 | 第26-27页 |
| 2.2.3 深度卷积神经网络 | 第27-30页 |
| 2.2.4 深度学习在骨架提取上的典型方法 | 第30-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于关节依赖的人体骨架提取算法 | 第33-48页 |
| 3.1 相关工作与动机 | 第33-34页 |
| 3.2 提出的方法 | 第34-38页 |
| 3.2.1 关节依赖的骨架建模方法 | 第34-36页 |
| 3.2.2 整体网络架构 | 第36-37页 |
| 3.2.3 模型优化与损失函数 | 第37-38页 |
| 3.3 实验设计与分析 | 第38-47页 |
| 3.3.1 数据集和度量标准 | 第38-39页 |
| 3.3.2 数据预处理与扩增 | 第39-42页 |
| 3.3.3 实验环境说明 | 第42页 |
| 3.3.4 实验结果与分析 | 第42-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于多尺度特征学习的人体骨架快速提取算法 | 第48-66页 |
| 4.1 相关工作与动机 | 第48-49页 |
| 4.2 提出的方法 | 第49-55页 |
| 4.2.1 基于多尺度特征学习的快速骨架提取方法 | 第50-51页 |
| 4.2.2 整体网络架构 | 第51-54页 |
| 4.2.3 模型优化与损失函数 | 第54-55页 |
| 4.3 实验设计与分析 | 第55-65页 |
| 4.3.1 数据集和度量标准 | 第55-56页 |
| 4.3.2 图像预处理和扩增 | 第56页 |
| 4.3.3 实验环境说明 | 第56页 |
| 4.3.4 实验结果和分析 | 第56-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第五章 全文总结与展望 | 第66-68页 |
| 5.1 本文总结 | 第66-67页 |
| 5.2 未来的工作 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
