10.3979/j.issn.1673-825X.201910240366
基于多尺度3D卷积神经网络的行为识别方法
近年来卷积神经网络(convolutional neural network,CNN)在行为识别任务中取得了较大的进展.然而,现有的神经网络方法往往只注重高层语义信息的利用,对浅层特征信息挖掘利用不够.针对这一问题,提出一种基于3D卷积(convolution 3D,C3D)的多尺度3D卷积神经网络的行为识别方法.该方法受到特征金字塔结构的启发,在原C3D的基础上融合C3D的浅层特征信息,实现端到端的行为识别.同时该方法以现有的深度学习理论为基础,利用迁移学习的思想,将C3D和该方法中相同模块部分的参数迁移到本方法中,以降低模型的训练时间.通过在UCF101数据集上进行实验,实验结果表明,提出行为识别方法的分类精度达到84.56%,分类效果优于原C3D分类网络.
行为识别;特征金字塔;3D卷积(C3D);迁移学习;卷积神经网络(CNN)
33
TP391.41(计算技术、计算机技术)
国家自然科学基金;重庆市科委自然科学基金
2021-12-21(万方平台首次上网日期,不代表论文的发表时间)
共7页
970-976