第1章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 细粒度动作分析的问题描述
1.1.3 研究意义
1.2 研究现状与分析
1.2.1 动作特征表示
1.2.2 细粒度图像分析
1.2.3 细粒度行为分析
1.2.4 具有代表性的动作分析数据集
1.2.5 现有方法存在的主要问题
1.3.1 本文的研究内容和要解决的关键问题
1.3.2 本文的组织结构
第2章 基于代表模式挖掘的细粒度语义表示与推荐
2.1 引言
2.1.1 本章的主要工作
2.1.2 相关工作
2.2 基于图聚类的代表性语义挖掘
2.2.1 舞蹈元候选生成
2.2.2 基于N-Cut聚类的代表性语义挖掘
2.3 基于风格的舞蹈视频推荐
2.3.1 方法框架
2.3.2 基于随机森林的风格匹配
2.4 实验结果与分析
2.4.1 实验数据集
2.4.2 评估准则
2.4.3 结果与分析
2.5 本章小结
第3章 基于判别模式挖掘的细粒度语义表示与推荐
3.1 本章的主要工作
3.2 基于LDA的判别性语义挖掘
3.2.1 特征表示
3.2.2 基于LDA检测子的舞蹈元检测
3.3 HIT Dances数据集上实验结果
3.3.1 舞蹈视频推荐性能
3.3.2 对比实验
3.3.3 消融实验
3.4 UCF50数据集上实验结果
3.4.1 数据集描述
3.4.2 视频推荐性能
3.5 本章小结
第4章 基于空间关注驱动的细粒度动作表示与理解
4.1 引言
4.1.1 本章的主要工作
4.1.2 相关工作
4.2 基于空间关注约束的细粒度动作描述子
4.2.1 深度动作显著估计回顾
4.2.2 动作显著约束的轨迹
4.2.3 动作显著约束的深度特征描述子
4.3 实验设置
4.3.1 数据集
4.3.2 实验细节
4.3.3 整合的多流动作识别模型
4.4 实验结果与分析
4.4.1 动作识别性能
4.4.2 与现有方法对比
4.4.3 消融实验
4.5 基于ADD的动作时序表达能力推理
4.6 本章小结
第5章 基于时序建模的细粒度动作特征学习与搜索
5.1 引言
5.1.1 本章的主要工作
5.1.2 相关工作
5.2 构造的Figure Skating数据集
5.2.1 细粒度动作定义
5.2.2 数据集构造
5.3 时序差异嵌入的细粒度动作表示网络
5.3.1 改进的时序三元组损失
5.3.2 分类和相似约束的联合优化
5.4.1 实验设置
5.4.2 Figure Skating数据集上的实验结果
5.4.3 HMDB51数据集上的实验结果
5.5 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其他成果
声明
致谢
个人简历
哈尔滨工业大学;
