稀疏自組合時(shí)空卷積神經(jīng)網(wǎng)絡(luò)動(dòng)作識(shí)別方法及其并行化.pdf

1、動(dòng)作識(shí)別系統(tǒng)在現(xiàn)實(shí)中具有重要的應(yīng)用價(jià)值，但是現(xiàn)有的動(dòng)作識(shí)別方法依然存在各種各樣的缺陷，研究穩(wěn)定可靠的動(dòng)作識(shí)別方法，對(duì)于機(jī)器學(xué)習(xí)的理論發(fā)展與應(yīng)用推廣具有重要的意義。卷積神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)模型，它受到脊椎動(dòng)物視覺(jué)神經(jīng)系統(tǒng)的啟發(fā)，能夠直接從灰度圖像學(xué)習(xí)出抽象的高級(jí)特征，具有強(qiáng)大的圖像分類(lèi)能力，但它不能直接應(yīng)用于視頻中的動(dòng)作識(shí)別。為了將卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力推廣到動(dòng)作識(shí)別，本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了擴(kuò)展，本文的貢獻(xiàn)主要有以下幾個(gè)方面:

2、r>　　基于時(shí)空卷積特征提取，開(kāi)發(fā)了一個(gè)時(shí)空卷積神經(jīng)網(wǎng)絡(luò)框架。該模型以多個(gè)連續(xù)視頻幀為輸入，交替進(jìn)行卷積和子采樣操作，逐步提取出多種復(fù)雜抽象的高級(jí)特征，具有出色的特征學(xué)習(xí)能力與分類(lèi)能力。為了進(jìn)一步提高時(shí)空卷積神經(jīng)網(wǎng)絡(luò)的性能，在組合卷積層的輸入特征圖時(shí)，提出了一種稀疏自組合策略。通過(guò)對(duì)輸入特征圖增加稀疏性限制，使卷積層能夠自動(dòng)學(xué)習(xí)出最佳的特征圖組合作為輸入，與傳統(tǒng)的手工設(shè)置方式相比，省略了手工設(shè)置的繁復(fù)步驟，實(shí)驗(yàn)表明，采用稀疏自組合策略的

3、時(shí)空卷積神經(jīng)網(wǎng)絡(luò)具有更好的特征學(xué)習(xí)能力與分類(lèi)能力。
　　提出了一種基于MapReduce的矩陣并行相乘算法，基于該矩陣并行算法，在Hadoop平臺(tái)對(duì)稀疏自組合時(shí)空卷積神經(jīng)網(wǎng)絡(luò)采用MapReduce編程模型并行化，并與串行實(shí)驗(yàn)結(jié)果進(jìn)行了對(duì)比，驗(yàn)證了稀疏自組合時(shí)空卷積神經(jīng)網(wǎng)絡(luò)并行化的可行性、穩(wěn)定性、正確性，并獲得了一定的加速比。為了利用多核CPU的計(jì)算能力，將MapReduce的Map過(guò)程和Reduce過(guò)程采用多線(xiàn)程實(shí)現(xiàn)，將該算法用于