隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展和大型存儲(chǔ)設(shè)備不斷升級(jí),網(wǎng)絡(luò)上的視頻數(shù)量急劇增多,對(duì)視頻處理技術(shù)的質(zhì)量要求不斷提高,如何利用計(jì)算機(jī)高速處理視頻數(shù)據(jù)、識(shí)別視頻信息,已成為一個(gè)亟待解決的問(wèn)題。對(duì)視頻信息的識(shí)別,主要是對(duì)視頻內(nèi)容的處理,由于以人體行為為主要內(nèi)容的視頻數(shù)量在互聯(lián)網(wǎng)視頻總量中占比很高,所以研究人體行為識(shí)別技術(shù)尤為重要。傳統(tǒng)的人體行為識(shí)別方法主要依賴模式識(shí)別與匹配技術(shù),不僅識(shí)別靈活性不高,而且需要耗費(fèi)大量的人工成本。隨著人工智能技術(shù)的興起,基于人工智能技術(shù)的人體行為識(shí)別成為研究熱點(diǎn),本文為提高基于人工智能技術(shù)的人體行為識(shí)別方法上的識(shí)別準(zhǔn)確率,降低人體行為識(shí)別算法的硬件要求和訓(xùn)練成本,主要開(kāi)展以下研究?jī)?nèi)容:（1）通過(guò)遷移學(xué)習(xí)構(gòu)建人體行為識(shí)別神經(jīng)網(wǎng)絡(luò),基于UCF-101數(shù)據(jù)集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,利用非共性特征層的微調(diào)優(yōu)化輸出結(jié)果,得到人體行為識(shí)別模型。（2）為在不提高批處理步長(zhǎng)的前提下,解決局部最優(yōu)解的問(wèn)題,引入基于FSRCNN的圖像超分辨率重建方法,通過(guò)對(duì)原始圖像的超分辨率重建,主動(dòng)增加圖像內(nèi)包含的信息,使損失函數(shù)能夠在低處理步長(zhǎng)下迅速收斂,提高識(shí)別準(zhǔn)確率的同時(shí)降低神經(jīng)網(wǎng)絡(luò)對(duì)硬件配置的依賴程... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Weizmann數(shù)據(jù)庫(kù)

圖 1-2 KTH 數(shù)據(jù)庫(kù)圖 1-3 UCF Sports 數(shù)據(jù)庫(kù)庫(kù)]由伊利諾大學(xué)香檳分校(UIUC)創(chuàng)建。該頻序列都為 30 幀，這些視頻由 8 個(gè)志愿的人類目標(biāo)和背景己經(jīng)提前由人工標(biāo)記。s 數(shù)據(jù)庫(kù)動(dòng)數(shù)據(jù)庫(kù)[4]如圖 1-3 所示，由 10 種人體視頻。此外，數(shù)據(jù)集內(nèi)各個(gè)視頻之間有較

- 4 -圖 1-3 UCF Sports 數(shù)據(jù)庫(kù)庫(kù)]由伊利諾大學(xué)香檳分校(UIUC)創(chuàng)建。該數(shù)頻序列都為 30 幀，這些視頻由 8 個(gè)志愿的人類目標(biāo)和背景己經(jīng)提前由人工標(biāo)記。s 數(shù)據(jù)庫(kù)動(dòng)數(shù)據(jù)庫(kù)[4]如圖 1-3 所示，由 10 種人體行視頻。此外，數(shù)據(jù)集內(nèi)各個(gè)視頻之間有較行為拍攝過(guò)程中，攝像機(jī)跟隨目標(biāo)進(jìn)行了

【參考文獻(xiàn)】：
期刊論文
[1]基于二維離散分?jǐn)?shù)階傅里葉變換的視覺(jué)注意力算法[J]. 徐海波,史步海.  華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(08)



本文編號(hào)：3019507