傳統(tǒng)的人體行為識別方法,通常構(gòu)造人造特征進(jìn)行行為識別。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)在計算機(jī)視覺領(lǐng)域的發(fā)展,基于深度學(xué)習(xí)的行為識別方法獲得了國內(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)的方法通常將識別任務(wù)分為靜態(tài)流和動態(tài)流。論文分別研究了雙流神經(jīng)網(wǎng)絡(luò)中的動態(tài)流部分和靜態(tài)流部分,其中動態(tài)流是通過對視頻中的包含運(yùn)動信息的光流進(jìn)行特征提取獲取動態(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。論文針對動態(tài)流研究了一個多級時間注意力動態(tài)流網(wǎng)絡(luò),由短時網(wǎng)絡(luò)、中時網(wǎng)絡(luò)、長時網(wǎng)絡(luò)和時長網(wǎng)絡(luò)組成。短時網(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)幀之間的短時運(yùn)動信息。同時構(gòu)建短時注意力模塊,突出更具代表性時刻短時信息的貢獻(xiàn)。中時網(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)多幀包含的中時運(yùn)動信息。同時構(gòu)建中時注意力機(jī)制,突出更具鑒別性時刻中時信息的貢獻(xiàn)。長時網(wǎng)絡(luò)面向整個視頻序列,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)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
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別方法
        1.2.2 基于深度學(xué)習(xí)的人體行為識別方法
    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)的人體行為識別
    2.2 框架設(shè)計和算法實(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 多級時間注意力動態(tài)流網(wǎng)絡(luò)
    3.1 問題概述
    3.2 框架設(shè)計與算法實(shí)現(xiàn)
        3.2.1 短時網(wǎng)絡(luò)
        3.2.2 中時網(wǎng)絡(luò)
        3.2.3 長時網(wǎng)絡(luò)
        3.2.4 多級時間注意力網(wǎng)絡(luò)
    3.3 實(shí)驗(yàn)設(shè)計和結(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 動態(tài)流實(shí)驗(yàn)
        3.3.4 基于本文動態(tài)流網(wǎng)絡(luò)的行為識別實(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：3158063