|
|
|
|
结合深度网络与概率图的连续动作识别方法研究 |
| |
| 论文目录 |
| |
| 摘要 | 第10-12页 | | Abstract | 第12-14页 | | 第一章 绪论 | 第16-31页 | | 1.1 课题的背景与意义 | 第16-17页 | | 1.2 国内外相关研究工作 | 第17-24页 | | 1.2.1 人工构造的动作特征 | 第18-19页 | | 1.2.2 基于深度学习的动作特征 | 第19-20页 | | 1.2.3 一般性动作分类与识别 | 第20-22页 | | 1.2.4 连续动作识别 | 第22-23页 | | 1.2.5 研究现状评述 | 第23-24页 | | 1.3 问题定义和研究思路 | 第24-26页 | | 1.4 论文主要工作及贡献 | 第26-28页 | | 1.5 论文的组织结构 | 第28-31页 | | 第二章 基础理论 | 第31-46页 | | 2.1 前馈神经网络 | 第31-36页 | | 2.1.1 激活函数 | 第31-32页 | | 2.1.2 损失函数 | 第32-34页 | | 2.1.3 反向传播算法 | 第34-36页 | | 2.2 卷积神经网络 | 第36-38页 | | 2.2.1 卷积层 | 第36-37页 | | 2.2.2 池化层 | 第37-38页 | | 2.3 概率图模型 | 第38-40页 | | 2.3.1 有向图与无向图模型 | 第38-39页 | | 2.3.2 生成式模型和判别式模型 | 第39-40页 | | 2.4 隐马尔科夫模型与条件随机场模型 | 第40-45页 | | 2.4.1 隐马尔科夫模型 | 第40-43页 | | 2.4.2 线性链条件随机场模型 | 第43-45页 | | 2.5 本章小结 | 第45-46页 | | 第三章 基于卷积受限玻尔兹曼机的目标跟踪方法 | 第46-59页 | | 3.1 引言 | 第46-47页 | | 3.2 目标跟踪中特征的相关工作 | 第47-48页 | | 3.3 基于卷积受限玻尔兹曼机的特征提取 | 第48-51页 | | 3.3.1 受限玻尔兹曼机 | 第48-49页 | | 3.3.2 卷积受限玻尔兹曼机 | 第49-50页 | | 3.3.3 CRBM跟踪特征 | 第50-51页 | | 3.4 基于朴素贝叶斯分类器的目标跟踪框架 | 第51-52页 | | 3.4.1 目标跟踪流程 | 第51-52页 | | 3.4.2 朴素贝叶斯分类器 | 第52页 | | 3.5 实验结果与分析 | 第52-58页 | | 3.5.1 实验设置 | 第52-53页 | | 3.5.2 跟踪准确性 | 第53页 | | 3.5.3 跟踪鲁棒性 | 第53-57页 | | 3.5.4 计算复杂度 | 第57-58页 | | 3.6 本章小结 | 第58-59页 | | 第四章 基于CNN-LDCRF的连续动作识别方法 | 第59-77页 | | 4.1 引言 | 第59-60页 | | 4.2 基于CNN网络的时空动作特征提取 | 第60-63页 | | 4.2.1 设计思想 | 第61-62页 | | 4.2.2 网络详细设计 | 第62-63页 | | 4.3 基于CNN-LDCRF的连续动作时序建模 | 第63-66页 | | 4.3.1 基本LDCRF模型 | 第63-65页 | | 4.3.2 CNN-LDCRF模型 | 第65-66页 | | 4.4 CNN-LDCRF模型的训练和推断 | 第66-69页 | | 4.4.1 模型训练 | 第66-69页 | | 4.4.2 模型推断 | 第69页 | | 4.5 实验结果与分析 | 第69-76页 | | 4.5.1 KTH数据集 | 第70-72页 | | 4.5.2 HumanEva数据集 | 第72-76页 | | 4.6 本章小结 | 第76-77页 | | 第五章 基于混合CNN-HMM的连续动作识别方法 | 第77-89页 | | 5.1 引言 | 第77-78页 | | 5.2 基于组合HMM的连续动作建模 | 第78-80页 | | 5.2.1 问题描述 | 第78-79页 | | 5.2.2 组合HMM结构设计 | 第79-80页 | | 5.3 混合CNN-HMM模型 | 第80-82页 | | 5.3.1 模型结构 | 第80-81页 | | 5.3.2 模型训练 | 第81-82页 | | 5.4 实验结果与分析 | 第82-86页 | | 5.4.1 Weizmann数据集 | 第82-84页 | | 5.4.2 KTH数据集 | 第84-86页 | | 5.5 本章小结 | 第86-89页 | | 第六章 弱标记条件下CNN-LDCRF模型的端到端训练方法 | 第89-103页 | | 6.1 引言 | 第89-90页 | | 6.2 基于CTC算法的时序分类 | 第90-94页 | | 6.2.1 变长序列映射 | 第90-91页 | | 6.2.2 CTC前向后向算法 | 第91-93页 | | 6.2.3 最大似然训练 | 第93-94页 | | 6.3 基于视觉相似性的ECTC算法 | 第94-97页 | | 6.3.1 ECTC算法 | 第94-95页 | | 6.3.2 视觉相似性度量 | 第95-97页 | | 6.4 CNN-LDCRF-ECTC模型的训练和推断 | 第97-99页 | | 6.4.1 模型训练 | 第97-99页 | | 6.4.2 模型推断 | 第99页 | | 6.5 实验结果与分析 | 第99-102页 | | 6.5.1 实验设置 | 第99-100页 | | 6.5.2 结果与分析 | 第100-102页 | | 6.6 本章小结 | 第102-103页 | | 第七章 总结与展望 | 第103-107页 | | 7.1 论文工作总结 | 第103-105页 | | 7.2 未来工作展望 | 第105-107页 | | 致谢 | 第107-109页 | | 参考文献 | 第109-124页 | | 作者在学期间取得的学术成果 | 第124-126页 |
|
|
|
|
论文编号BS4415433，这篇论文共126页
会员购买按0.35元/页下载，共需支付44.1元。 直接购买按0.5元/页下载，共需要支付63元 。 |
 |
 |
我还不是会员，注册会员！
会员下载更优惠!充值送钱！ |
我只需要这篇，无需注册！
直接网上支付，方便快捷！ |
|
|
|
版权申明：本目录由www.jylw.com网站制作，本站并未收录原文，如果您是作者，需要删除本篇论文目录请通过QQ或其它联系方式告知我们，我们承诺24小时内删除。 |
|
|
广告服务