本文選題：行為識別 + 卷積神經(jīng)網(wǎng)絡(luò)�。� 參考：《電子科技大學(xué)》2017年碩士論文

【摘要】：在最近幾年來,行為識別技術(shù)對我們的日常生活影響越來越多,在本文中采用目前很熱門的深度學(xué)習(xí)的方法來進(jìn)行行為識別研究與應(yīng)用。深度學(xué)習(xí)在很多領(lǐng)域的優(yōu)異的表現(xiàn)吸引著各個領(lǐng)域的研究人員進(jìn)行研究,而卷積神經(jīng)網(wǎng)絡(luò)(CNN)在計算機(jī)視覺領(lǐng)域應(yīng)用最為成功,自然吸引了大量的研究人員,卷積神經(jīng)網(wǎng)絡(luò)(CNN)相對于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)具有參數(shù)少、平移不變性等優(yōu)點(diǎn),另外CNN也是一種端到端的網(wǎng)絡(luò),不需要手動的設(shè)計特征,訓(xùn)練該網(wǎng)絡(luò)僅僅只需要大量的訓(xùn)練樣本,然后對樣本進(jìn)行標(biāo)注,表明樣本屬于哪一類,之后再把樣本輸入到網(wǎng)絡(luò)中,進(jìn)行迭代使卷積神經(jīng)網(wǎng)絡(luò)得到分類的能力,進(jìn)而就能獲得不錯的識別率。在本文中主要講述的利用一些優(yōu)秀的結(jié)構(gòu)搭建的一些神經(jīng)網(wǎng)絡(luò)并對這些神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行一些驗(yàn)證和分析。本文主要內(nèi)容包括:(1)針對原始3DCNN網(wǎng)絡(luò)的不足,對其網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化的進(jìn)行了優(yōu)化,網(wǎng)絡(luò)的結(jié)構(gòu)中融入了MLP卷積層,該層中有多層感知機(jī),該層在不增加網(wǎng)絡(luò)深度的前提下,使得該神經(jīng)網(wǎng)絡(luò)在特征表征能力與抽象泛化能力方面有了很大的提升。另外,改進(jìn)了下采樣的操作,在時間維度上也進(jìn)行下采樣操作,將網(wǎng)絡(luò)在空間下采樣的優(yōu)點(diǎn)推廣到了時間維度,使得網(wǎng)絡(luò)在時間維度上具有不變形,也大大的減少了時間維度上的計算量,大大的提高了網(wǎng)絡(luò)的性能。另外,采用了Relu激活函數(shù)替代原有的雙正切tanh函數(shù),從飽和的激活函數(shù)變?yōu)榱朔秋柡偷募せ詈瘮?shù),使得網(wǎng)絡(luò)在訓(xùn)練過程中的訓(xùn)練時間大大的減少,增加了網(wǎng)絡(luò)的收斂速度,另外通過relu激活函數(shù)的特征圖很稀疏,使得泛化能力很強(qiáng)。另外,改進(jìn)的網(wǎng)絡(luò)輸入減少了4個通道信息,增加了一個通道的設(shè)計的堆疊光流信息,減少了不必要的輸入,減少了網(wǎng)絡(luò)的計算量,提高了網(wǎng)絡(luò)的性能。(2)本文中重點(diǎn)闡述了一個多任務(wù)遞歸卷積神經(jīng)網(wǎng)絡(luò)模型,在本章中所設(shè)計的多任務(wù)遞歸卷積神經(jīng)網(wǎng)絡(luò)結(jié)合了多任務(wù)學(xué)習(xí)理論,融入了改進(jìn)的VGG網(wǎng)絡(luò)結(jié)構(gòu)與LSTM結(jié)構(gòu)建立一個全新的更深的網(wǎng)絡(luò)結(jié)構(gòu),為了緩和該神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中出現(xiàn)過擬合的情況,加入了Dropout技術(shù),使網(wǎng)絡(luò)能夠更好的提取長時間序列化視頻的特征,與多任務(wù)識別的能力。(3)最后,在本文中主要描述了一個基于Super 3D-CNN網(wǎng)絡(luò)的行為識別系統(tǒng),該行為識別系統(tǒng)具有快速部署,不需要對并對現(xiàn)有的監(jiān)控系統(tǒng)進(jìn)行特殊的改造,另外使用GPU加速的方法對識別算法進(jìn)行加速,可以使該行為識別系統(tǒng)達(dá)到實(shí)時性的要求。
[Abstract]:In recent years, behavior recognition technology has more and more influence on our daily life. In this paper, we use the popular in-depth learning method to conduct behavior recognition research and application. The excellent performance of deep learning in many fields has attracted researchers in various fields, while the application of convolutional neural network (CNN) in computer vision is the most successful, which naturally attracts a large number of researchers. Compared with traditional neural networks, convolutional neural networks (CNN) have the advantages of less parameters and invariant translation. In addition, CNN is also an end-to-end network, which does not require manual design features, and only requires a large number of training samples to train the network. Then the samples are labeled to show which kind of samples belong to, and then input the samples into the network, iterate to make the convolution neural network classification ability, and then can obtain a good recognition rate. In this paper, we mainly discuss some neural networks based on some excellent structures, and verify and analyze the performance of these neural networks. The main contents of this paper are as follows: (1) in view of the shortcomings of the original 3DCNN network, the network structure is optimized. MLP convolution layer is incorporated into the network structure. There are multi-layer perceptron in the layer, which does not increase the depth of the network. The neural network has been greatly improved in feature representation and abstract generalization. In addition, the downsampling operation is improved, and the down-sampling operation is also carried out in the time dimension. The advantages of the network sampling in space are extended to the time dimension, which makes the network have no deformation in the time dimension. Also greatly reduces the time dimension computation, greatly improves the network performance. In addition, the reu activation function is used to replace the original bitangent tanh function, which changes from the saturated activation function to the unsaturated activation function, which greatly reduces the training time of the network during the training process and increases the convergence speed of the network. In addition, the characteristic graph of relu activation function is very sparse, which makes the generalization ability very strong. In addition, the improved network input reduces the 4 channel information, increases the stack optical flow information of the design of one channel, reduces the unnecessary input, and reduces the network computation. The performance of the network is improved. (2) in this paper, a multitask recursive convolution neural network model is described. In this chapter, the multitask recursive convolution neural network is combined with the multitask learning theory. The improved VGG network structure and the LSTM structure are integrated to establish a new and deeper network structure. In order to ease the situation that the neural network has been fitted during the training process, Dropout technology is added. So that the network can extract features of long-time serialized video better, and the ability of multi-task recognition. (3) finally, this paper mainly describes a behavior recognition system based on Super 3D-CNN network, the behavior recognition system has rapid deployment. There is no need for special modification of the existing monitoring system, and the GPU acceleration method is also used to accelerate the recognition algorithm, which can make the behavior recognition system meet the requirement of real-time.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡(luò)技術(shù)讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

3 唐春明,高協(xié)平;進(jìn)化神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J];系統(tǒng)工程與電子技術(shù);2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報;2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計算機(jī)工程與應(yīng)用;2004年21期

6 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

7 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補(bǔ)償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計算機(jī)信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報;2006年03期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 中國科技大學(xué)計算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報;2011年

7 健康時報特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報;2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報;2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 朱前芳;基于序列化卷積神經(jīng)網(wǎng)絡(luò)的行為識別研究與實(shí)現(xiàn)[D];電子科技大學(xué);2017年

2 史曉霞;卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用分析[D];廣東工業(yè)大學(xué);2017年

3 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

4 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

5 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

6 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

7 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

8 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

9 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

10 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

，

本文編號：2068864