弱监督下视频动作分割与识别算法研究

发布时间：2022-10-05 23:25

　　动作识别与时序分割是一项十分重要的视频理解任务,在视频监控、视频检索、自动驾驶等领域有着广泛应用.其目标不仅是识别一段未修剪视频中包含哪些动作,还要预测每个动作在视频中的起始时间与结束时间.现有的动作识别算法大多是基于每一帧图像标注的强监督学习,而视频的详细标注需要消耗大量的人力物力.为了减少视频标注的工作量,本文在弱监督的基础上对动作识别与时序分割问题展开研究.本文重点研究了两种机器学习算法以及当前的行为识别算法,并将机器学习与行为识别算法结合改进,最终提高动作分类与时序分割精度.本文主要内容及创新包括:1.在视频的动作识别与时序分割中,一种常用的方法是仿照基于图像的目标检测任务,对动作目标生成时间建议,然后对时间建议片段进行学习.然而生成建议的学习方法会占用大量计算资源,并且生成建议的方法不能在监控视频中进行实时的识别与定位.本文采取将视频进行先分段再识别的方法,也就是将视频分割为大小相同的片段进行特征提取,然后对特征图进行弱监督的分类学习.本文研究不需要提供每段视频的动作标签,因此大大减少了标注的工作量.2.提出一种结合自步学习的动作识别与时序分割算法.当前的动作识别与定位算法过... 

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 国内外研究现状
        1.3.1 动作识别
        1.3.2 强监督时序动作分割定位
        1.3.3 弱监督时序动作分割定位
    1.4 研究内容
    1.5 本文结构
第二章 知识准备
    2.1 人工神经网络
        2.1.1 神经元
        2.1.2 激活函数
        2.1.3 网络结构
        2.1.4 参数学习
        2.1.5 反向传播算法
    2.2 卷积神经网络
        2.2.1 卷积
        2.2.2 卷积的导数
        2.2.3 卷积神经网络
        2.2.4 参数学习
    2.3 Inception网络
第三章 基于自步学习的弱监督动作识别与时序定位分割
    3.1 系统结构概述
    3.2 特征提取网络
    3.3 自步弱监督学习
        3.3.1 自步筛选模块及算法流程
        3.3.2 分类网络
        3.3.3 损失函数
    3.4 分类与定位
    3.5 实验结果分析
        3.5.1 实验数据
        3.5.2 评价标准
        3.5.3 实验结果与分析
第四章 基于特征变换的弱监督动作识别与时序定位
    4.1 特征变换预训练
    4.2 弱监督动作识别与定位学习
        4.2.1 多分类交叉熵损失
        4.2.2 中心损失
        4.2.3 自监督损失
    4.3 实验结果分析
        4.3.1 实验结果
        4.3.2 结果分析
第五章 结语
参考文献
致谢
在读期间已完成的学术论文及研究成果



本文编号：3686701