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

1、動作識別系統(tǒng)在現(xiàn)實中具有重要的應(yīng)用價值，但是現(xiàn)有的動作識別方法依然存在各種各樣的缺陷，研究穩(wěn)定可靠的動作識別方法，對于機器學(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，它受到脊椎動物視覺神經(jīng)系統(tǒng)的啟發(fā)，能夠直接從灰度圖像學(xué)習(xí)出抽象的高級特征，具有強大的圖像分類能力，但它不能直接應(yīng)用于視頻中的動作識別。為了將卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力推廣到動作識別，本文對卷積神經(jīng)網(wǎng)絡(luò)進行了擴展，本文的貢獻主要有以下幾個方面:

2、r>　　基于時空卷積特征提取，開發(fā)了一個時空卷積神經(jīng)網(wǎng)絡(luò)框架。該模型以多個連續(xù)視頻幀為輸入，交替進行卷積和子采樣操作，逐步提取出多種復(fù)雜抽象的高級特征，具有出色的特征學(xué)習(xí)能力與分類能力。為了進一步提高時空卷積神經(jīng)網(wǎng)絡(luò)的性能，在組合卷積層的輸入特征圖時，提出了一種稀疏自組合策略。通過對輸入特征圖增加稀疏性限制，使卷積層能夠自動學(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，實驗表明，采用稀疏自組合策略的

3、時空卷積神經(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平臺對稀疏自組合時空卷積神經(jīng)網(wǎng)絡(luò)采用MapReduce編程模型并行化，并與串行實驗結(jié)果進行了對比，驗證了稀疏自組合時空卷積神經(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的計算能力，將MapReduce的Map過程和Reduce過程采用多線程實現(xiàn)，將該算法用于