基于融合3DCNN神经网络的行为识别
由于人体运动的多样,场景的嘈杂,摄像机视角的多变等特性,导致人体动作识别难度增加.对于行为识别,传统算法IDT的识别率为76.2%,经典3D卷积神经网络的识别率为88.2%.为了提高识别率,本文提出了一种基于改进多通道3D卷积神经网络结构的人体行为识别方法.本文的行为识别模型是同时将图片的空间信息和时间信息作为卷积神经网络的输入;同时对中间的卷积神经网络进行了优化处理,对网络提取的多重信息进行融合处理进而形成输出的识别器.本文采用多模型融合的人体行为识别模型,在公开数据库UCF-101上进行实验,模型识别准确率为90%.
行为识别、深度学习、卷积神经网络、模型融合
42
TP391.4(计算技术、计算机技术)
2020-04-24(万方平台首次上网日期,不代表论文的发表时间)
共5页
140-144