基于訓(xùn)練圖CNN特征的識(shí)別算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶(hù)評(píng)論（0）
視頻人體動(dòng)作識(shí)別一直是具有重要學(xué)術(shù)價(jià)值的研究領(lǐng)域。在傳統(tǒng)方法中，動(dòng)作特征和軌跡特征效果最為優(yōu)秀，改進(jìn)密集軌跡（ Improved Dense Trajectories，IDT）特征在HMDB-51動(dòng)作庫(kù)上就可以達(dá)到57. 2%的準(zhǔn)確率，融合了IDT特征的組合特征可以在UCFI01動(dòng)作庫(kù)上達(dá)到89. 62%的準(zhǔn)確率。而只用了圖像RGB數(shù)據(jù)的空域卷積網(wǎng)絡(luò)模型僅能分別做到40. 5%和73. 0%。
為將卷積神經(jīng)網(wǎng)絡(luò)（ CNN）應(yīng)用到視頻理解中，提出一種基于訓(xùn)練圖CNN特征的識(shí)別算法。利用圖像RGB數(shù)據(jù)識(shí)別視頻人體動(dòng)作，使用現(xiàn)有的CNN模型從圖像中提取特征，并采用長(zhǎng)短記憶單元的遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練分類(lèi)，研究CNN模型和隱層的選擇、優(yōu)化、特征矢量化和降維。實(shí)驗(yàn)結(jié)果表明，與使用圖像RGB數(shù)據(jù)注意力模型的算法和組合長(zhǎng)短期記憶模型算法相比，該算法具有更高的準(zhǔn)確率。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
基于訓(xùn)練圖CNN特征的識(shí)別算法下載
相關(guān)電子資料下載
- CNN的定義和優(yōu)勢(shì) 114
- 基于CNN的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)設(shè)計(jì) 105
- 工廠(chǎng)智能視頻監(jiān)控系統(tǒng) CNN 52
- 如何在TensorFlow中構(gòu)建并訓(xùn)練CNN模型 60
- 如何利用CNN實(shí)現(xiàn)圖像識(shí)別 76
- 卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的區(qū)別 99
- NLP模型中RNN與CNN的選擇 66
- 卷積神經(jīng)網(wǎng)絡(luò)中池化層的作用 67
- cnn卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)有哪些 106
- cnn卷積神經(jīng)網(wǎng)絡(luò)三大特點(diǎn)是什么 91