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 |