时序事件分析与研究

发布时间：2021-08-14 17:56

　　随着全球科技水平发展和深度学习技术成熟,互联网迎来人工智能时代,计算机视觉是人工智能研究的重要领域。时序事件分析与研究更是成为当下热点,在自动驾驶、智能监控、短视频推荐、动作行为分析等众多领域有广阔市场和应用前景。目前时序事件分析与研究已经进入了一个新的阶段,从过去的传统方法到当下流行的神经网络,虽然各个数据集上的性能在不断提升,但是离实际场景应用还有一定的差距。主要难点在于时序事件任务本身的复杂性和多样性,其要求对时序事件中的动作类别进行识别,动作范围进行检测以及动作持续时间进行判断。而且由于背景的复杂程度、动作自由变化的幅度、事件持续时间的长短差异大以及摄像机拍摄视频时抖动而导致的分辨率低、模糊不清等问题也给时序事件分析与研究带来了巨大的困难。针对时序事件任务的复杂性和多样性,本文利用混合卷积和注意力机制识别时序事件中的动作类别、结合P3D和Faster RCNN检测时序事件中的动作范围、改进边界敏感网络判断动作持续时间,对时序事件中动作提名。本文主要的三部分工作如下:1.提出了一种基于混合卷积和注意力机制的时序事件中动作识别的方法。本算法以时序事件中的整段短视频作为处理对象,首先... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

安防监控

短视频推荐

原始图像大小是( , , , )in in inN C H W ，卷积结果大小是out out( , , , )outN C H W ，始图像个数，C 代表图像通道数，H 代表图像高度，W 代表图像宽度核大小，S 代表滑动窗口步长，P 代表原始序列每边填补 0 个数，则程如下：out21inH P KHS out21inW P KWS 样，将一维池化扩展到二维池化，不仅可以降低特征维数，减少参数过拟合。对于图像来说，最大池化和均值池化也可以起到滤波的作用，让图像更平滑。以，池化在卷积神经网络中十分重要，下面举例讲解一下图像最大池化. 2 所示：


本文编号：3342922