近年來,基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法在文本處理、語音識別、圖像視頻分析、計(jì)算機(jī)視覺等多個領(lǐng)域都獲得了巨大的成功,特別是在圖像識別領(lǐng)域當(dāng)中,基于深度學(xué)習(xí)的圖像分類與檢測技術(shù)在大量具體、專業(yè)的研究場景下開始發(fā)揮著重要的作用。例如,相關(guān)研究者在植物學(xué)領(lǐng)域通過區(qū)域選取和特征學(xué)習(xí)來實(shí)現(xiàn)花卉分類以及在各種自動安防、智能交通、自動駕駛等領(lǐng)域?qū)囕v和行人進(jìn)行檢測等。而利用深度學(xué)習(xí)技術(shù)在視頻場景當(dāng)中對人體行為進(jìn)行識別是當(dāng)前計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一,近年來得到了學(xué)術(shù)界及工程界的廣泛重視,人體行為識別相關(guān)技術(shù)在智能監(jiān)控、人機(jī)交互、虛擬現(xiàn)實(shí)和基于內(nèi)容的視頻檢索與解說等方面有著廣泛的應(yīng)用前景和潛在的經(jīng)濟(jì)價值。同時,在課堂場景中,識別學(xué)生的課堂行為對學(xué)生的學(xué)習(xí)狀態(tài)、學(xué)習(xí)質(zhì)量以及教師教學(xué)效果的評價具有重要的參考意義。本文將深度學(xué)習(xí)技術(shù)應(yīng)用到大學(xué)課堂場景當(dāng)中,從學(xué)生低頭抬頭的角度出發(fā),對學(xué)生進(jìn)行檢測并識別其行為狀態(tài),本文主要的工作包括如下幾個方面:首先對國內(nèi)外的深度學(xué)習(xí)相關(guān)技術(shù)以及行為識別相關(guān)理論進(jìn)行梳理,結(jié)合大學(xué)課堂特定場景下的特點(diǎn)以及各種算法的優(yōu)劣,提出將深度學(xué)習(xí)技術(shù)應(yīng)用到大學(xué)課堂場景當(dāng)中進(jìn)行行為識別,并通... 

【文章來源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１多層感知器的前向傳播??如圖２．１展現(xiàn)的是三層的人工神經(jīng)網(wǎng)絡(luò)，從第一層到第三層依次是輸入層、??

Ｆ６：??懸＝心＾?＝?５１學(xué)習(xí)率和步長更新權(quán)重和偏置。??函數(shù)??際應(yīng)用當(dāng)中，不能通過簡單的線性表達(dá)式去解決非線性問作相當(dāng)于是一個矩陣相乘的過程，等同于一種線性操作，（Ａｃｔｉｖａｔｉｏｎ?Ｆｕｎｃｔｉｏｎｓ）來提高網(wǎng)絡(luò)的非線性性表示。對于去學(xué)習(xí)、理解非線性以及非常復(fù)雜的函數(shù)來說，激活函數(shù)它使神經(jīng)網(wǎng)絡(luò)模型具有非線性特性。如圖２．２所示，在神經(jīng)通過加權(quán)以及求和后，再通過一個激活函數(shù)進(jìn)行非線性映射激活函數(shù)的每層操作都相當(dāng)于進(jìn)行矩陣相乘，通過在每層輸增加神經(jīng)網(wǎng)絡(luò)模型的非線性，使深度網(wǎng)絡(luò)模型擁有強(qiáng)大的表在神經(jīng)網(wǎng)絡(luò)當(dāng)中經(jīng)常見到的三個激活函數(shù)。??輸入??

?４?６??圖２．３?Ｓｉｇｍｏｉｄ函數(shù)圖像??由于Ｓｉｇｍｏｉｄ激活函數(shù)在兩端的梯度幾乎為０，容易在訓(xùn)練的時候產(chǎn)生梯度消??失的問題，而且輸出結(jié)果不是以零為中心，在經(jīng)過多層訓(xùn)練之后數(shù)據(jù)分布發(fā)生偏??移，以致不能順利的對網(wǎng)絡(luò)進(jìn)行訓(xùn)練??（２）?Ｔａｎｈ?函數(shù)??Ｔａｎｈ函數(shù)是雙曲正切函數(shù)，屬于雙曲函數(shù)當(dāng)中的一個。在數(shù)學(xué)這門學(xué)科當(dāng)中，??該函數(shù)可以通過基本雙曲函數(shù)中的雙曲余弦和雙曲正弦函數(shù)推導(dǎo)出來。公式如下??辦）＝蓋?（２．１〇）??函數(shù)圖像如下??；?；??：．?＿???ｊ?１?ｙＣ?ｊ?ｉ?？??一?２?—?Ｊ?ＪＴ?１?２?ｘ??Ｊｒ???——??—?？?－？：?＊??ｆ??圖２．４?Ｔａｎｈ函數(shù)圖像??比起Ｓｉｇｍｏｉｄ函數(shù)，Ｔａｎｈ函數(shù)首先速度更快，所以在實(shí)際應(yīng)用中更傾向于被??使用，然而以Ｔａｎｈ函數(shù)作為激活函數(shù)同樣會使模型訓(xùn)練時出現(xiàn)梯度消失的問題。??（３）?ＲｅＬＵ?函數(shù)??１２??

【參考文獻(xiàn)】：
期刊論文
[1]論YOLO算法在機(jī)器視覺中應(yīng)用原理[J]. 李茂暉,吳傳平,鮑艷,房卓群.  教育現(xiàn)代化. 2018(41)
[2]基于YOLO v2的蓮蓬快速識別研究[J]. 黃小杭,梁智豪,何子俊,黃晨華,李湘勤.  現(xiàn)代農(nóng)業(yè)科技. 2018(13)
[3]基于改進(jìn)Faster R-CNN識別深度視頻圖像哺乳母豬姿態(tài)[J]. 薛月菊,朱勛沐,鄭嬋,毛亮,楊阿慶,涂淑琴,黃寧,楊曉帆,陳鵬飛,張南峰.  農(nóng)業(yè)工程學(xué)報(bào). 2018(09)
[4]基于Faster R-CNN的人體行為檢測研究[J]. 莫宏偉,汪海波.  智能系統(tǒng)學(xué)報(bào). 2018(06)
[5]深度學(xué)習(xí)及其在目標(biāo)和行為識別中的新進(jìn)展[J]. 鄭胤,陳權(quán)崎,章毓晉.  中國圖象圖形學(xué)報(bào). 2014(02)
[6]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)
[7]基于單張靜態(tài)圖像的人體行為識別方法綜述[J]. 姜夕凱,蘇松志,李紹滋,成運(yùn).  漳州師范學(xué)院學(xué)報(bào)(自然科學(xué)版). 2011(04)
[8]人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望[J]. 朱大奇.  江南大學(xué)學(xué)報(bào). 2004(01)

碩士論文
[1]基于三維加速度傳感器的人體行為識別[D]. 徐川龍.浙江工業(yè)大學(xué) 2013



本文編號：3026728