|
|
|
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。 |
|
|