论文目录 | |
摘要 | 第1-6页 |
ABSTRACT | 第6-7页 |
符号对照表 | 第11-12页 |
缩略语对照表 | 第12-15页 |
第一章 绪论 | 第15-23页 |
1.1 引言 | 第15页 |
1.2 时序事件分析与研究的前景 | 第15-17页 |
1.3 时序事件分析与研究的难点 | 第17-18页 |
1.4 时序事件分析与研究的现状 | 第18-21页 |
1.4.1 时序事件中动作识别的算法 | 第19-20页 |
1.4.2 时序事件中动作检测的算法 | 第20页 |
1.4.3 时序事件中动作提名的算法 | 第20-21页 |
1.5 本论文的研究工作与结构安排 | 第21-23页 |
第二章 基于混合卷积和注意力机制的时序事件动作识别 | 第23-41页 |
2.1 引言 | 第23页 |
2.2 卷积神经网络 | 第23-29页 |
2.2.1 二维卷积和池化 | 第24-25页 |
2.2.2 三维卷积和池化 | 第25-28页 |
2.2.3 深度残差网络 | 第28-29页 |
2.3 基于混合卷积和注意力机制的时序事件动作识别算法 | 第29-35页 |
2.3.1 视频分割采样 | 第31页 |
2.3.2 获取视频片段的P3D网络特征 | 第31-33页 |
2.3.3 利用注意力机制融合视频特征 | 第33-35页 |
2.4 UCF101 数据集 | 第35-36页 |
2.5 实验内容和结果分析 | 第36-40页 |
2.6 本章小结 | 第40-41页 |
第三章 基于P3D和 Faster RCNN网络的时序事件动作检测 | 第41-59页 |
3.1 引言 | 第41页 |
3.2 目标检测技术 | 第41-47页 |
3.2.1 区域候选网络 | 第42-43页 |
3.2.2 ROI Pooling和 ROI Align | 第43-46页 |
3.2.3 非极大值抑制 | 第46-47页 |
3.3 基于P3D和 Faster RCNN网络的时序事件动作检测算法 | 第47-50页 |
3.3.1 提取关键帧前后的动作特征 | 第48-49页 |
3.3.2 利用动作特征提出候选区域 | 第49页 |
3.3.3 对候选区域进行动作识别 | 第49-50页 |
3.4 UCF24 数据集 | 第50页 |
3.5 实验内容和结果分析 | 第50-57页 |
3.6 本章小结 | 第57-59页 |
第四章 基于双向LSTM改进BSN网络的时序事件动作提名 | 第59-75页 |
4.1 引言 | 第59页 |
4.2 循环神经网络 | 第59-63页 |
4.2.1 长短期记忆网络 | 第60-62页 |
4.2.2 双向LSTM网络 | 第62-63页 |
4.3 基于双向LSTM改进BSN网络的时序事件动作提名算法 | 第63-68页 |
4.3.1 时序评估模块 | 第61-66页 |
4.3.2 提名生成模块 | 第66-68页 |
4.3.3 提名评估模块 | 第68页 |
4.4 ActivityNet-1.3 数据集 | 第68-69页 |
4.5 实验内容和结果分析 | 第69-73页 |
4.6 本章小结 | 第73-75页 |
第五章 总结和展望 | 第75-77页 |
5.1 总结 | 第75-76页 |
5.2 展望 | 第76-77页 |
参考文献 | 第77-81页 |
致谢 | 第81-83页 |
作者简介 | 第83-84页 |