基于序列化卷積神經(jīng)網(wǎng)絡(luò)的行為識別研究與實現(xiàn).pdf

1、在最近幾年來，行為識別技術(shù)對我們的日常生活影響越來越多，在本文中采用目前很熱門的深度學習的方法來進行行為識別研究與應(yīng)用。深度學習在很多領(lǐng)域的優(yōu)異的表現(xiàn)吸引著各個領(lǐng)域的研究人員進行研究，而卷積神經(jīng)網(wǎng)絡(luò)（CNN）在計算機視覺領(lǐng)域應(yīng)用最為成功，自然吸引了大量的研究人員，卷積神經(jīng)網(wǎng)絡(luò)(CNN)相對于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)具有參數(shù)少、平移不變性等優(yōu)點，另外CNN也是一種端到端的網(wǎng)絡(luò)，不需要手動的設(shè)計特征，訓練該網(wǎng)絡(luò)僅僅只需要大量的訓練樣本，然后對樣本進行

2、標注，表明樣本屬于哪一類，之后再把樣本輸入到網(wǎng)絡(luò)中，進行迭代使卷積神經(jīng)網(wǎng)絡(luò)得到分類的能力，進而就能獲得不錯的識別率。在本文中主要講述的利用一些優(yōu)秀的結(jié)構(gòu)搭建的一些神經(jīng)網(wǎng)絡(luò)并對這些神經(jīng)網(wǎng)絡(luò)的性能進行一些驗證和分析。
　　本文主要內(nèi)容包括：
　?。?）針對原始3DCNN網(wǎng)絡(luò)的不足，對其網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化的進行了優(yōu)化，網(wǎng)絡(luò)的結(jié)構(gòu)中融入了MLP卷積層，該層中有多層感知機，該層在不增加網(wǎng)絡(luò)深度的前提下，使得該神經(jīng)網(wǎng)絡(luò)在特征表征能力與抽象泛

3、化能力方面有了很大的提升。另外，改進了下采樣的操作，在時間維度上也進行下采樣操作，將網(wǎng)絡(luò)在空間下采樣的優(yōu)點推廣到了時間維度，使得網(wǎng)絡(luò)在時間維度上具有不變形，也大大的減少了時間維度上的計算量，大大的提高了網(wǎng)絡(luò)的性能。另外，采用了Relu激活函數(shù)替代原有的雙正切 tanh函數(shù)，從飽和的激活函數(shù)變?yōu)榱朔秋柡偷募せ詈瘮?shù)，使得網(wǎng)絡(luò)在訓練過程中的訓練時間大大的減少，增加了網(wǎng)絡(luò)的收斂速度，另外通過relu激活函數(shù)的特征圖很稀疏，使得泛化能力很強。另外

4、，改進的網(wǎng)絡(luò)輸入減少了4個通道信息，增加了一個通道的設(shè)計的堆疊光流信息，減少了不必要的輸入，減少了網(wǎng)絡(luò)的計算量，提高了網(wǎng)絡(luò)的性能。
　?。?）本文中重點闡述了一個多任務(wù)遞歸卷積神經(jīng)網(wǎng)絡(luò)模型，在本章中所設(shè)計的多任務(wù)遞歸卷積神經(jīng)網(wǎng)絡(luò)結(jié)合了多任務(wù)學習理論，融入了改進的VGG網(wǎng)絡(luò)結(jié)構(gòu)與 LSTM結(jié)構(gòu)建立一個全新的更深的網(wǎng)絡(luò)結(jié)構(gòu)，為了緩和該神經(jīng)網(wǎng)絡(luò)在訓練的過程中出現(xiàn)過擬合的情況，加入了Dropout技術(shù)，使網(wǎng)絡(luò)能夠更好的提取長時間序列化視頻