隨著全球科技水平發(fā)展和深度學(xué)習(xí)技術(shù)成熟,互聯(lián)網(wǎng)迎來(lái)人工智能時(shí)代,計(jì)算機(jī)視覺(jué)是人工智能研究的重要領(lǐng)域。時(shí)序事件分析與研究更是成為當(dāng)下熱點(diǎn),在自動(dòng)駕駛、智能監(jiān)控、短視頻推薦、動(dòng)作行為分析等眾多領(lǐng)域有廣闊市場(chǎng)和應(yīng)用前景。目前時(shí)序事件分析與研究已經(jīng)進(jìn)入了一個(gè)新的階段,從過(guò)去的傳統(tǒng)方法到當(dāng)下流行的神經(jīng)網(wǎng)絡(luò),雖然各個(gè)數(shù)據(jù)集上的性能在不斷提升,但是離實(shí)際場(chǎng)景應(yīng)用還有一定的差距。主要難點(diǎn)在于時(shí)序事件任務(wù)本身的復(fù)雜性和多樣性,其要求對(duì)時(shí)序事件中的動(dòng)作類(lèi)別進(jìn)行識(shí)別,動(dòng)作范圍進(jìn)行檢測(cè)以及動(dòng)作持續(xù)時(shí)間進(jìn)行判斷。而且由于背景的復(fù)雜程度、動(dòng)作自由變化的幅度、事件持續(xù)時(shí)間的長(zhǎng)短差異大以及攝像機(jī)拍攝視頻時(shí)抖動(dòng)而導(dǎo)致的分辨率低、模糊不清等問(wèn)題也給時(shí)序事件分析與研究帶來(lái)了巨大的困難。針對(duì)時(shí)序事件任務(wù)的復(fù)雜性和多樣性,本文利用混合卷積和注意力機(jī)制識(shí)別時(shí)序事件中的動(dòng)作類(lèi)別、結(jié)合P3D和Faster RCNN檢測(cè)時(shí)序事件中的動(dòng)作范圍、改進(jìn)邊界敏感網(wǎng)絡(luò)判斷動(dòng)作持續(xù)時(shí)間,對(duì)時(shí)序事件中動(dòng)作提名。本文主要的三部分工作如下:1.提出了一種基于混合卷積和注意力機(jī)制的時(shí)序事件中動(dòng)作識(shí)別的方法。本算法以時(shí)序事件中的整段短視頻作為處理對(duì)象,首先... 

【文章來(lái)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(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

安防監(jiān)控

短視頻推薦

原始圖像大小是( , , , )in in inN C H W ，卷積結(jié)果大小是out out( , , , )outN C H W ，始圖像個(gè)數(shù)，C 代表圖像通道數(shù)，H 代表圖像高度，W 代表圖像寬度核大小，S 代表滑動(dòng)窗口步長(zhǎng)，P 代表原始序列每邊填補(bǔ) 0 個(gè)數(shù)，則程如下：out21inH P KHS out21inW P KWS 樣，將一維池化擴(kuò)展到二維池化，不僅可以降低特征維數(shù)，減少參數(shù)過(guò)擬合。對(duì)于圖像來(lái)說(shuō)，最大池化和均值池化也可以起到濾波的作用，讓圖像更平滑。以，池化在卷積神經(jīng)網(wǎng)絡(luò)中十分重要，下面舉例講解一下圖像最大池化. 2 所示：


本文編號(hào)：3342922