基于特征选取的鲁棒模糊聚类分割算法研究

目录

主要符号表

第1章 绪 论

1.1 研究背景及意义

1.2 行为识别发展现状及相关研究工作

1.3 本文主要研究内容

1.4 论文结构安排

第2章 行为识别特征提取和分类方法

2.1 传统行为识别方法中的特征提取算法

2.1.1 空间域特征提取方式

2.1.2 引入时域特征的特征提取方法

2.1.3 传统行为识别方法中的特征提取算法小结

2.2 基于深度学习的特征提取方式

2.2.1 深度学习算法综述

2.2.2 人工神经网络

2.2.3 卷积神经网络与LeNet

2.2.4 RNN 与LSTM 网络

2.2.5 深度学习特征提取方法分析

2.3 本章小结

第3章 3D-BN-VGG算法

3.1 3D-CNN行为识别的基本思路

3.2 3D-BN-VGG网络的总体结构设计

3.2.1 网络各层堆叠方式选择

3.2.2批量归一化算法（Batch Normalization，BN）加速训练

3.2.3 3D-BN-VGG网络各层结构

3.2.4 3D-BN-VGG网络参数量分析

3.3 深度学习框架选择与网络具体实现

3.3.1 各类深度学习框架的优缺点

3.3.2 基于Keras框架的网络实现

3.4 本章小结

第4章 3D-CNN与LSTM网络融合算法

4.1 CNN与LSTM网络融合的基本思路

4.2 融合网络的各层结构设计

4.2.1 前置3D-CNN的结构修改

4.2.2 3D-CNN与LSTM网络的融合方案

4.2.3 基于Keras框架的融合网络具体实现

4.3 本章小结

第5章 基于多种数据集的实验结果对比

5.1 UCF-101和HMDB-51数据集介绍

5.2 具体数据集上的网络训练

5.2.1 实验软硬件环境

5.2.2 数据预处理

5.2.3 3D-BN-VGG训练过程

5.2.4 融合网络训练过程

5.3 测试指标结果

5.3.1 3D-BN-VGG网络测试指标

5.3.2 融合网络测试指标

5.3.3 决策策略选择

5.4 测试结果评价

第6章 总结与展望

6.1 本文工作总结

6.2 下一步研究工作展望

参考文献

攻读学位期间取得的研究成果

致谢

声明