針對傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)不能充分利用數(shù)據(jù)中時(shí)空信息的問題,提出了一種時(shí)空金字塔池化模型,并將該模型與非局部特征計(jì)算操作相結(jié)合,設(shè)計(jì)了一種基于時(shí)空信息密集計(jì)算與融合的三維密集連接卷積神經(jīng)網(wǎng)絡(luò),從而可以更有效地提取視頻的時(shí)空特征。將該算法應(yīng)用于課堂場景下教師行為的分析,實(shí)驗(yàn)結(jié)果表明,所設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)在教師行為數(shù)據(jù)集上達(dá)到了較高的識別準(zhǔn)確率。 

【文章來源】：激光與光電子學(xué)進(jìn)展. 2019,56(16)北大核心CSCD

【文章頁數(shù)】：6 頁

【文章目錄】：
1 引言
2 基于時(shí)空信息密集計(jì)算與融合的深度卷積網(wǎng)絡(luò)
    2.1 時(shí)空金字塔池化模塊
    2.2 改進(jìn)型三維密集連接網(wǎng)絡(luò)
    2.3 非局部特征計(jì)算模塊
3 實(shí)驗(yàn)與分析
    3.1 教師行為數(shù)據(jù)庫的建立
    3.2 訓(xùn)練設(shè)置
    3.3 實(shí)驗(yàn)結(jié)果與分析
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于協(xié)方差流形和LogitBoost的異常駕駛行為識別方法[J]. 李此君,劉云鵬.  激光與光電子學(xué)進(jìn)展. 2018(11)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)判別特征學(xué)習(xí)的行人重識別[J]. 陳兵,查宇飛,李運(yùn)強(qiáng),張勝杰,張園強(qiáng),庫濤.  光學(xué)學(xué)報(bào). 2018(07)
[3]基于時(shí)空方向主成分直方圖的人體行為識別[J]. 徐海洋,孔軍,蔣敏,昝寶鋒.  激光與光電子學(xué)進(jìn)展. 2018(06)
[4]特征融合的卷積神經(jīng)網(wǎng)絡(luò)多波段艦船目標(biāo)識別[J]. 劉峰,沈同圣,馬新星.  光學(xué)學(xué)報(bào). 2017(10)



本文編號：3517996