教育论文网

基于视频的人体行为识别算法研究

论文目录
摘要第1-6页
abstract第6-7页
第一章 绪论第10-19页
    1.1 研究背景和意义第10-11页
    1.2 人体行为识别研究现状第11-15页
        1.2.1 机器学习算法第12-14页
        1.2.2 深度学习算法第14-15页
    1.3 人体行为识别研究难点第15-17页
    1.4 本文主要研究工作内容第17页
    1.5 论文结构安排第17-19页
第二章 基于密集轨迹算法的改进第19-44页
    2.1 iDT算法第19-32页
        2.1.1 密集轨迹提取第20-24页
            2.1.1.1 密集采样第20-21页
            2.1.1.2 密集光流第21-24页
            2.1.1.3 特征点跟踪及轨迹形成第24页
        2.1.2 特征描述子第24-27页
            2.1.2.1 方向梯度直方图第25-26页
            2.1.2.2 光流直方图第26-27页
            2.1.2.3 运动边界直方图第27页
        2.1.3 特征编码第27-29页
        2.1.4 行为分类第29-32页
    2.2 基于视频压缩的运动描述符第32-35页
    2.3 C3D特征第35-37页
        2.3.1 三维卷积操作第35-36页
        2.3.2 网络结构第36-37页
    2.4 实验结果与分析第37-43页
        2.4.1 KTH数据集实验分析第38-41页
        2.4.2 ADL数据集实验分析第41-43页
    2.5 本章小结第43-44页
第三章 基于时域分割的深度聚合网络第44-64页
    3.1 基于深度学习的行为识别算法存在的问题第44-46页
    3.2 基于时域分割的深度聚合网络第46-63页
        3.2.1 特征提取网络选取第47-49页
            3.2.1.1 相关数据集第47-48页
            3.2.1.2 实验结果与分析第48-49页
        3.2.2 基于时域分割的深度网络第49-54页
            3.2.2.1 时域分割策略第49页
            3.2.2.2 双流网络的backbone网络选取第49-54页
        3.2.3 深度聚合网络第54-56页
            3.2.3.1 局部聚合特征第54-55页
            3.2.3.2 深度聚合特征第55-56页
        3.2.4 算法实现细节第56-57页
        3.2.5 实验结果与分析第57-63页
            3.2.5.1 不同特征聚合方法第57-59页
            3.2.5.2 不同时域分割数量第59-60页
            3.2.5.3 与同类先进算法的对比第60-63页
    3.3 本章小结第63-64页
第四章 基于时域分割的深度聚合网络的改进第64-74页
    4.1 引入注意力机制第64-68页
        4.1.1 注意力机制第64-66页
        4.1.2 引入时空注意力机制第66-68页
    4.2 损失函数改进第68-70页
        4.2.1 交叉熵损失函数第68-69页
        4.2.2 中心损失函数第69-70页
    4.3 实验结果与分析第70-72页
    4.4 深度学习算法与传统机器学习算法对比第72-73页
    4.5 本章小结第73-74页
第五章 全文总结与展望第74-76页
    5.1 全文总结第74-75页
    5.2 后续工作展望第75-76页
致谢第76-77页
参考文献第77-83页
攻读硕士学位期间取得的成果第83页

本篇论文共83页,点击 这进入下载页面

 
 
Copyright(C) All Rights Reserved
客服QQ:304386486
目录由用户 emilyzho** 提供,作者删除入口请点击这里