| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第15-35页 |
| 1.1 研究背景 | 第15-18页 |
| 1.2 研究意义 | 第18-20页 |
| 1.3 国内外研究现状 | 第20-32页 |
| 1.3.1 三维骨架节点特征表示方法 | 第20-27页 |
| 1.3.2 动态时序注册 | 第27-28页 |
| 1.3.3 骨架数据与其他传感器数据融合 | 第28-31页 |
| 1.3.4 时序视觉注意选择 | 第31-32页 |
| 1.4 本文研究内容 | 第32-33页 |
| 1.5 本文的组织结构 | 第33-35页 |
| 第2章 三维骨架特征学习 | 第35-48页 |
| 2.1 引言 | 第35-36页 |
| 2.2 相关工作 | 第36-37页 |
| 2.3 去噪自编码神经网络DAE | 第37-40页 |
| 2.4 类别与时序约束的栈式去噪自编码神经网络 | 第40-42页 |
| 2.5 实验结果及分析 | 第42-46页 |
| 2.5.1 MSR Action3D数据集 | 第43页 |
| 2.5.2 数据预处理与实验参数设置 | 第43-44页 |
| 2.5.3 实验评估 | 第44-46页 |
| 2.6 本章小结 | 第46-48页 |
| 第3章 基于局部约束的时序注册算法 | 第48-60页 |
| 3.1 引言 | 第48-49页 |
| 3.2 相关工作 | 第49-50页 |
| 3.3 时序注册方法 | 第50-53页 |
| 3.3.1 类内时序注册 | 第50-51页 |
| 3.3.2 类间时序注册 | 第51-53页 |
| 3.4 总体框架流程 | 第53-54页 |
| 3.5 实验结果与分析 | 第54-59页 |
| 3.5.1 可替换特征表示方法 | 第55页 |
| 3.5.2 实验设置 | 第55-56页 |
| 3.5.3 实验评估 | 第56-59页 |
| 3.6 本章小结 | 第59-60页 |
| 第4章 基于二维深度图与三维骨架图的特征联合学习 | 第60-74页 |
| 4.1 引言 | 第60-61页 |
| 4.2 相关工作 | 第61-62页 |
| 4.3 基于深度多自编码的多源特征联合学习 | 第62-67页 |
| 4.3.1 深度多自编码框架DMAE | 第63-65页 |
| 4.3.2 基于BP-NN的DMAE模型训练 | 第65-67页 |
| 4.4 实验结果与分析 | 第67-72页 |
| 4.4.1 数据预处理与实验参数设置 | 第67-69页 |
| 4.4.2 MSR-Action3D数据集 | 第69-71页 |
| 4.4.3 UTKinct-Action数据集 | 第71页 |
| 4.4.4 基于DAME的三维骨架节点修复 | 第71-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第5章 时序视觉注意选择 | 第74-85页 |
| 5.1 引言 | 第74-75页 |
| 5.2 相关工作 | 第75-77页 |
| 5.3 递归时序自编码 | 第77-81页 |
| 5.3.1 LSTM与RNN | 第77-79页 |
| 5.3.2 基于LSTM-Autoencoder的时序视觉注意学习算法 | 第79-81页 |
| 5.3.3 时序视觉注意值 | 第81页 |
| 5.4 实验结果及分析 | 第81-83页 |
| 5.5 本章小结 | 第83-85页 |
| 第6章 结束语 | 第85-89页 |
| 6.1 本文的主要工作 | 第85-86页 |
| 6.2 本文的主要贡献和创新点 | 第86-87页 |
| 6.3 下一步的研究工作 | 第87-89页 |
| 参考文献 | 第89-95页 |
| 致谢 | 第95-96页 |
| 在读期间发表的学术论文与取得研究成果 | 第96-97页 |