基于Faster R-CNN的人体行为检测研究
由于人体行为类内差异大,类间相似性大,而且还存在视觉角度与遮挡等问题,使用人工提取特征的方法特征提取难度大并且难以提取有效特征,使得人体行为检测率较低.针对这个问题,本文在物体检测的基础上使用检测效果较好的Faster R-CNN算法来进行人体行为检测,并对Faster R-CNN算法与批量规范化算法和在线难例挖掘算法进行结合,有效利用了深度学习算法实现人体行为检测.对此改进算法进行实验验证,验证的分类和位置精度达到了80%以上,实验结果表明,改进的算法具有识别精度高的特点.
人体行为检测、更快速区域卷积神经网络、在线难例挖掘、深度学习、目标检测、卷积神经网络、批规范化、迁移学习
13
TP181(自动化基础理论)
国家自然科学基金项目60035117
2018-11-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
967-973