針對(duì)大部分行為識(shí)別算法效率較低,難以應(yīng)對(duì)大規(guī)模影像識(shí)別任務(wù)的問(wèn)題,一方面,提出一種結(jié)合雙流結(jié)構(gòu)與多纖維網(wǎng)絡(luò)的雙流多纖維網(wǎng)絡(luò)模型,分別以RGB序列、光流序列為輸入提取視頻的時(shí)空信息,然后將兩條支路網(wǎng)絡(luò)的識(shí)別結(jié)果進(jìn)行決策相加,提高了對(duì)戰(zhàn)場(chǎng)目標(biāo)聚集行為的檢測(cè)效率與識(shí)別準(zhǔn)確率;另一方面,提出一種結(jié)合分離卷積思想與多纖維網(wǎng)絡(luò)的雙流分離卷積多纖維網(wǎng)絡(luò)模型,進(jìn)一步提高網(wǎng)絡(luò)檢測(cè)效率與抗過(guò)擬合能力。實(shí)驗(yàn)表明,在建立的情報(bào)影像仿真數(shù)據(jù)集中,上述算法能夠有效識(shí)別出戰(zhàn)場(chǎng)目標(biāo)聚集行為,在大幅提升檢測(cè)效率同時(shí)實(shí)現(xiàn)了識(shí)別準(zhǔn)確率的提升。 

【文章來(lái)源】：電訊技術(shù). 2020,60(03)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
0 引言
1 雙流多纖維網(wǎng)絡(luò)
    1.1 整體架構(gòu)設(shè)計(jì)
    1.2 RGB網(wǎng)絡(luò)
    1.3 光流網(wǎng)絡(luò)
2 分離卷積多纖維網(wǎng)絡(luò)
    2.1 多纖維模塊(Multi-fiber Unit)
    2.2 分離卷積多纖維模塊
3 構(gòu)建情報(bào)影像數(shù)據(jù)集
    3.1 數(shù)據(jù)集構(gòu)建
    3.2 生成光流數(shù)據(jù)
    3.3 數(shù)據(jù)增強(qiáng)
4 實(shí)驗(yàn)與分析
    4.1 訓(xùn)練策略
    4.2 支流網(wǎng)絡(luò)對(duì)比試驗(yàn)
    4.3 雙流網(wǎng)絡(luò)模型測(cè)試
    4.4 算法對(duì)比實(shí)驗(yàn)
5 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于三維卷積神經(jīng)網(wǎng)絡(luò)的戰(zhàn)場(chǎng)聚集行為預(yù)測(cè)[J]. 廖鷹,易卓,胡曉峰,田園,陶九陽(yáng).  系統(tǒng)仿真學(xué)報(bào). 2018(03)
[2]基于深度學(xué)習(xí)的人體行為識(shí)別算法綜述[J]. 朱煜,趙江坤,王逸寧,鄭兵兵.  自動(dòng)化學(xué)報(bào). 2016(06)



本文編號(hào)：3477633