傳統(tǒng)的人體行為識(shí)別方法,通常構(gòu)造人造特征進(jìn)行行為識(shí)別。然而人造特征通常抽象能力不足,對于復(fù)雜的行為視頻描述能力有限。隨著近幾年深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的發(fā)展,基于深度學(xué)習(xí)的行為識(shí)別方法獲得了國內(nèi)外學(xué)者的廣泛關(guān)注。相比于基于人造特征的方法,深度神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自學(xué)習(xí)能力,能夠挖掘數(shù)據(jù)內(nèi)部抽象的深層信息。雙流神經(jīng)網(wǎng)絡(luò)是目前基于深度學(xué)習(xí)人體行為識(shí)別研究的重點(diǎn)之一。目前基于雙流神經(jīng)網(wǎng)絡(luò)的方法通常將識(shí)別任務(wù)分為靜態(tài)流和動(dòng)態(tài)流。論文分別研究了雙流神經(jīng)網(wǎng)絡(luò)中的動(dòng)態(tài)流部分和靜態(tài)流部分,其中動(dòng)態(tài)流是通過對視頻中的包含運(yùn)動(dòng)信息的光流進(jìn)行特征提取獲取動(dòng)態(tài)信息,靜態(tài)流是對視頻幀中的靜態(tài)信息進(jìn)行抽象提取獲取靜態(tài)信息。論文針對動(dòng)態(tài)流研究了一個(gè)多級(jí)時(shí)間注意力動(dòng)態(tài)流網(wǎng)絡(luò),由短時(shí)網(wǎng)絡(luò)、中時(shí)網(wǎng)絡(luò)、長時(shí)網(wǎng)絡(luò)和時(shí)長網(wǎng)絡(luò)組成。短時(shí)網(wǎng)絡(luò)以連續(xù)兩幀之間的光流作為輸入,針對于捕捉連續(xù)幀之間的短時(shí)運(yùn)動(dòng)信息。同時(shí)構(gòu)建短時(shí)注意力模塊,突出更具代表性時(shí)刻短時(shí)信息的貢獻(xiàn)。中時(shí)網(wǎng)絡(luò)以連續(xù)多幀的光流疊加作為輸入,針對于捕捉連續(xù)多幀包含的中時(shí)運(yùn)動(dòng)信息。同時(shí)構(gòu)建中時(shí)注意力機(jī)制,突出更具鑒別性時(shí)刻中時(shí)信息的貢獻(xiàn)。長時(shí)網(wǎng)絡(luò)面向整個(gè)視頻序列,利用LSTM... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于人造特征的人體行為識(shí)別方法
        1.2.2 基于深度學(xué)習(xí)的人體行為識(shí)別方法
    1.3 本文主要研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)
第二章 相關(guān)理論模型
    2.1 基于深度學(xué)習(xí)的人體行為識(shí)別
    2.2 框架設(shè)計(jì)和算法實(shí)現(xiàn)
        2.2.1 光流提取算法
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.3 雙流神經(jīng)網(wǎng)絡(luò)
        2.2.4 基本網(wǎng)絡(luò)架構(gòu)
        2.2.5 網(wǎng)絡(luò)訓(xùn)練
        2.2.6 深度學(xué)習(xí)工具
    2.3 數(shù)據(jù)集介紹
    2.4 本章小結(jié)
第三章 多級(jí)時(shí)間注意力動(dòng)態(tài)流網(wǎng)絡(luò)
    3.1 問題概述
    3.2 框架設(shè)計(jì)與算法實(shí)現(xiàn)
        3.2.1 短時(shí)網(wǎng)絡(luò)
        3.2.2 中時(shí)網(wǎng)絡(luò)
        3.2.3 長時(shí)網(wǎng)絡(luò)
        3.2.4 多級(jí)時(shí)間注意力網(wǎng)絡(luò)
    3.3 實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析
        3.3.1 數(shù)據(jù)集簡述
        3.3.2 實(shí)驗(yàn)參數(shù)設(shè)置
        3.3.3 動(dòng)態(tài)流實(shí)驗(yàn)
        3.3.4 基于本文動(dòng)態(tài)流網(wǎng)絡(luò)的行為識(shí)別實(shí)驗(yàn)
    3.4 本章小結(jié)
第四章 多層引導(dǎo)注意力靜態(tài)流網(wǎng)絡(luò)
    4.1 問題概述
    4.2 框架設(shè)計(jì)和算法實(shí)現(xiàn)
        4.2.1 抽取全局特征和局部特征
        4.2.2 構(gòu)建全局注意力和局部注意力
        4.2.3 構(gòu)建注意力引導(dǎo)損失
        4.2.4 注意力引導(dǎo)網(wǎng)絡(luò)
    4.3 參數(shù)設(shè)置
    4.4 實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析
        4.4.1 多層引導(dǎo)注意力網(wǎng)絡(luò)參數(shù)選擇
        4.4.2 靜態(tài)流實(shí)驗(yàn)
        4.4.3 靜態(tài)流可視化
        4.4.4 靜態(tài)流比較實(shí)驗(yàn)
        4.4.5 利用雙流網(wǎng)絡(luò)進(jìn)行人體行為識(shí)別的結(jié)果
        4.4.6 本文采用的對比算法簡介
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
致謝
作者簡介



本文編號(hào)：3158063