基于序列化卷積神經網絡的行為識別研究與實現.pdf

1、在最近幾年來，行為識別技術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用。深度學習在很多領域的優(yōu)異的表現吸引著各個領域的研究人員進行研究，而卷積神經網絡（CNN）在計算機視覺領域應用最為成功，自然吸引了大量的研究人員，卷積神經網絡(CNN)相對于傳統(tǒng)的神經網絡具有參數少、平移不變性等優(yōu)點，另外CNN也是一種端到端的網絡，不需要手動的設計特征，訓練該網絡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絡中，進行迭代使卷積神經網絡得到分類的能力，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)秀的結構搭建的一些神經網絡并對這些神經網絡的性能進行一些驗證和分析。
　　本文主要內容包括：
　?。?）針對原始3DCNN網絡的不足，對其網絡的結構優(yōu)化的進行了優(yōu)化，網絡的結構中融入了MLP卷積層，該層中有多層感知機，該層在不增加網絡深度的前提下，使得該神經網絡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，將網絡在空間下采樣的優(yōu)點推廣到了時間維度，使得網絡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，大大的提高了網絡的性能。另外，采用了Relu激活函數替代原有的雙正切 tanh函數，從飽和的激活函數變?yōu)榱朔秋柡偷募せ詈瘮担沟镁W絡在訓練過程中的訓練時間大大的減少，增加了網絡的收斂速度，另外通過relu激活函數的特征圖很稀疏，使得泛化能力很強。另外

4、，改進的網絡輸入減少了4個通道信息，增加了一個通道的設計的堆疊光流信息，減少了不必要的輸入，減少了網絡的計算量，提高了網絡的性能。
　?。?）本文中重點闡述了一個多任務遞歸卷積神經網絡模型，在本章中所設計的多任務遞歸卷積神經網絡結合了多任務學習理論，融入了改進的VGG網絡結構與 LSTM結構建立一個全新的更深的網絡結構，為了緩和該神經網絡在訓練的過程中出現過擬合的情況，加入了Dropout技術，使網絡能夠更好的提取長時間序列化視頻