2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩60頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、由于對人物追蹤、動作識別的技術(shù)需求,姿態(tài)估計成為時下最為重要的計算機視覺挑戰(zhàn)性問題之一。當前研究者們已提出了多種人體姿態(tài)估計算法,但由于面臨諸如光照變化、人體變形、部位相互遮擋、狀態(tài)空間高維數(shù)和大尺寸等困難,現(xiàn)有的人體姿態(tài)估計算法精度較低,人體姿態(tài)估計問題仍待進一步研究。針對這些問題,本文提出一種基于空間變換卷積神經(jīng)網(wǎng)絡(luò)的人體姿態(tài)估計方法,通過搭建空間變換卷積神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練關(guān)節(jié)的依賴關(guān)系從而提高關(guān)節(jié)點的分類準確率。主要工作如下:

2、r>  首先對數(shù)據(jù)做預(yù)處理。本文選取LSP(Leeds Sports Poses)數(shù)據(jù)集,為了獲得更大的數(shù)據(jù)集以及提高模型的泛化能力,對數(shù)據(jù)集圖片做旋轉(zhuǎn)、翻轉(zhuǎn)操作擴大數(shù)據(jù)集的規(guī)模。之后以關(guān)節(jié)點為中心進行分割,對分割后的關(guān)節(jié)圖像塊做聚類。以聚類結(jié)果為標簽,供接下來的深度空間變換卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練關(guān)節(jié)的依賴關(guān)系。在實驗中用K-MEANS算法和K-MEANS++算法做聚類對比,實驗結(jié)果證明對于二維的關(guān)節(jié)圖像塊,K-MEANS算法簡單且結(jié)果更好。

3、
  其次,用深度空間變換卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練關(guān)節(jié)的依賴關(guān)系。本文用基于深度學(xué)習(xí)的caffe框架搭建了一個深度空間變換卷積神經(jīng)網(wǎng)絡(luò),之后以K-MEANS聚類結(jié)果作為網(wǎng)絡(luò)的輸入,訓(xùn)練關(guān)節(jié)的依賴關(guān)系。在訓(xùn)練中通過交叉驗證的方式不斷的對網(wǎng)絡(luò)的參數(shù)進行優(yōu)化。在實驗中與未加空間變換層的深度卷積網(wǎng)絡(luò)進行了對比,實驗結(jié)果證明深度空間變換卷積神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的擬合能力更強,訓(xùn)練的關(guān)節(jié)依賴關(guān)系更好,關(guān)節(jié)依賴關(guān)系的訓(xùn)練準確率提高了10%。
  最后構(gòu)

4、建支持向量機的決策函數(shù)用于關(guān)節(jié)分類。本文分析了支持向量機(Support Vector Machine,SVM)中決策函數(shù)的作用,之后基于K-MEANS聚類結(jié)果和深度空間變換卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果通過數(shù)學(xué)建模構(gòu)建了一個得分函數(shù),以該得分函數(shù)作為SVM的決策函數(shù)用于關(guān)節(jié)分類,該得分函數(shù)由兩部分組成,一部分根據(jù)提取到的圖片特征對某關(guān)節(jié)碎片有一個初步的判斷,另一部分根據(jù)訓(xùn)練的關(guān)節(jié)依賴關(guān)系對該碎片進一步識別。通過兩部分的疊加來識別關(guān)節(jié)點。最終通

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論