10.16526/j.cnki.11-4762/tp.2022.03.042
基于深度残差网络的人体行为识别算法研究
针对原始C3D卷积神经网络的层数较少、参数量较大和难以关注关键帧而导致的人体行为识别准确率较低的问题,提出一种基于改进型C3D的注意力残差网络模型;首先,增加原始网络卷积层并采用卷积核合并与拆分操作实现(3×1×7)和(3×7×1)的非对称式卷积核,之后采用全预激活式残差网络结构来增加构建的非对称卷积层,并且在残差块中增加时空通道注意力模块;最后,为展示该算法的先进性和应用性,则将该算法与原始C3D网络以及其他流行算法分别在基准数据集HMDB51和自建的43类别体育运动数据集上相比较;实验结果表明,该算法与原始C3D网络相比,在HMDB51和43类体育运动数据集上分别提高了9.88%和21.61%,参数量比原来降低了38.68%,并且结果也优于其他流行算法.
深度学习、三维卷积、非对称式卷积核、残差网络、注意力模块、人体行为识别
30
TP391(计算技术、计算机技术)
国家自然科学基金60875025
2022-04-06(万方平台首次上网日期,不代表论文的发表时间)
共8页
251-258