| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略词表 | 第11-13页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 相关研究现状 | 第14-18页 |
| 1.2.1 基于特征抽取的行为分析技术 | 第14-15页 |
| 1.2.2 基于深度学习的行为分析技术 | 第15-18页 |
| 1.3 本文主要研究内容与创新点 | 第18-19页 |
| 1.4 本文结构安排 | 第19-20页 |
| 第二章 本文框架概述 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 卷积神经网络 | 第20-26页 |
| 2.2.1 特征融合 | 第22-23页 |
| 2.2.2 分类器 | 第23页 |
| 2.2.3 损失函数 | 第23-24页 |
| 2.2.4 网络训练方法 | 第24-25页 |
| 2.2.5 过拟合 | 第25-26页 |
| 2.3 目标检测 | 第26-27页 |
| 2.4 行为识别 | 第27-28页 |
| 2.5 数据集介绍 | 第28-30页 |
| 第三章 行为序列提取方法 | 第30-40页 |
| 3.1 引言 | 第30-31页 |
| 3.2 目标检测 | 第31-35页 |
| 3.2.1 YOLOv2简介 | 第31-32页 |
| 3.2.2 训练与测试 | 第32-35页 |
| 3.3 目标跟踪 | 第35-38页 |
| 3.4 ROI提取 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于C3D的Two-Stream行为识别方法 | 第40-46页 |
| 4.1 引言 | 第40-41页 |
| 4.2 流程概述 | 第41页 |
| 4.3 输入源 | 第41-43页 |
| 4.4 C3D网络 | 第43页 |
| 4.5 网络训练 | 第43-45页 |
| 4.5.1 空间网络训练 | 第44页 |
| 4.5.2 时间网络训练 | 第44-45页 |
| 4.5.3 时空网络融合 | 第45页 |
| 4.6 本章小结 | 第45-46页 |
| 第五章 实验对比与分析 | 第46-50页 |
| 5.1 行为序列提取方法 | 第46-47页 |
| 5.2 基于C3D的Two-Stream行为识别方法 | 第47-48页 |
| 5.2.1 空间网络 | 第47页 |
| 5.2.2 时间网络 | 第47-48页 |
| 5.2.3 时空网络融合 | 第48页 |
| 5.3 基于深度学习的人类行为分析技术 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 全文工作总结 | 第50页 |
| 6.2 未来工作展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士期间论文发表情况 | 第58页 |