基于深度学习的动作识别方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 传统人体动作识别研究现状 | 第10页 |
| 1.2.2 深度学习研究现状 | 第10-11页 |
| 1.2.3 多模态动作识别研究现状 | 第11页 |
| 1.3 本文主要工作 | 第11页 |
| 1.4 本文结构 | 第11-13页 |
| 2 动作识别方法综述 | 第13-24页 |
| 2.1 引言 | 第13页 |
| 2.2 RGB视频中的动作识别方法 | 第13-17页 |
| 2.2.1 RGB视频中动作的全局表示 | 第13-15页 |
| 2.2.2 RGB视频中动作的局部表示 | 第15-17页 |
| 2.3 基于多模态信息的动作识别方法 | 第17-20页 |
| 2.3.1 多模态信息 | 第17-18页 |
| 2.3.2 基于深度图的方法 | 第18-19页 |
| 2.3.3 基于骨骼点信息的方法 | 第19-20页 |
| 2.4 基于深度学习的动作识别方法 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于多模态时空深度特征的动作识别 | 第24-44页 |
| 3.1 引言 | 第24页 |
| 3.2 单模态动作识别方法 | 第24-27页 |
| 3.2.1 基于卷积神经网络的动作识别方法 | 第24-26页 |
| 3.2.2 基于递归神经网络的动作识别方法 | 第26-27页 |
| 3.3 基于时空深度特征融合的动作识别方法 | 第27-33页 |
| 3.3.1 空间深度特征 | 第28-30页 |
| 3.3.2 时间深度特征 | 第30-32页 |
| 3.3.3 时空深度特征融合 | 第32-33页 |
| 3.4 实验评估 | 第33-42页 |
| 3.4.1 实验数据库 | 第33-34页 |
| 3.4.2 实验设置 | 第34-40页 |
| 3.4.3 实验结果与分析 | 第40-42页 |
| 3.5 本章小结 | 第42-44页 |
| 4 基于视觉显著性的动作识别方法 | 第44-55页 |
| 4.1 引言 | 第44页 |
| 4.2 视觉显著性与深度递归卷积网络模型 | 第44-47页 |
| 4.2.1 视觉显著性模型 | 第44-46页 |
| 4.2.2 基于深度递归卷积模型的动作识别方法 | 第46-47页 |
| 4.3 基于视觉显著性的动作识别方法 | 第47-51页 |
| 4.3.1 基于视觉显著性的视频处理方法 | 第47-48页 |
| 4.3.2 基于视觉显著性的递归卷积网络 | 第48-51页 |
| 4.4 实验评估 | 第51-54页 |
| 4.4.1 UCF-101数据集 | 第51页 |
| 4.4.2 网络参数设置 | 第51-52页 |
| 4.4.3 实验结果与分析 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 动作识别系统的设计与实现 | 第55-59页 |
| 5.1 引言 | 第55页 |
| 5.2 系统设计 | 第55-56页 |
| 5.3 系统实现及主要功能 | 第56页 |
| 5.3.1 系统搭建与实现 | 第56页 |
| 5.3.2 系统主要功能 | 第56页 |
| 5.4 系统使用流程及分析 | 第56-59页 |
| 5.4.1 系统流程及界面展示 | 第57-58页 |
| 5.4.2 系统负载分析 | 第58-59页 |
| 5.5 本章小结 | 第59页 |
| 6 结论与展望 | 第59-62页 |
| 6.1 结论 | 第59-60页 |
| 6.2 展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 附录 | 第69页 |
