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

1、在最近幾年來，行為識(shí)別技術(shù)對(duì)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(xué)習(xí)的方法來進(jìn)行行為識(shí)別研究與應(yīng)用。深度學(xué)習(xí)在很多領(lǐng)域的優(yōu)異的表現(xiàn)吸引著各個(gè)領(lǐng)域的研究人員進(jìn)行研究，而卷積神經(jīng)網(wǎng)絡(luò)（CNN）在計(jì)算機(jī)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(duì)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(diǎn)，另外CNN也是一種端到端的網(wǎng)絡(luò)，不需要手動(dòng)的設(shè)計(jì)特征，訓(xùn)練該網(wǎng)絡(luò)僅僅只需要大量的訓(xùn)練樣本，然后對(duì)樣本進(jìn)行

2、標(biāo)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(jìn)行迭代使卷積神經(jīng)網(wǎng)絡(luò)得到分類的能力，進(jìn)而就能獲得不錯(cuò)的識(shí)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(duì)這些神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行一些驗(yàn)證和分析。
　　本文主要內(nèi)容包括：
　?。?）針對(duì)原始3DCNN網(wǎng)絡(luò)的不足，對(duì)其網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化的進(jìn)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(jī)，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(jìn)了下采樣的操作，在時(shí)間維度上也進(jìn)行下采樣操作，將網(wǎng)絡(luò)在空間下采樣的優(yōu)點(diǎn)推廣到了時(shí)間維度，使得網(wǎng)絡(luò)在時(shí)間維度上具有不變形，也大大的減少了時(shí)間維度上的計(jì)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(xùn)練過程中的訓(xùn)練時(shí)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(qiáng)。另外

4、，改進(jìn)的網(wǎng)絡(luò)輸入減少了4個(gè)通道信息，增加了一個(gè)通道的設(shè)計(jì)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(jì)算量，提高了網(wǎng)絡(luò)的性能。
　?。?）本文中重點(diǎn)闡述了一個(gè)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(jì)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(xué)習(xí)理論，融入了改進(jìn)的VGG網(wǎng)絡(luò)結(jié)構(gòu)與 LSTM結(jié)構(gòu)建立一個(gè)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(xùn)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(zhǎng)時(shí)間序列化視頻