基于空間變換卷積神經(jīng)網(wǎng)絡(luò)的姿態(tài)估計(jì).pdf_第1頁(yè)
已閱讀1頁(yè),還剩60頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、由于對(duì)人物追蹤、動(dòng)作識(shí)別的技術(shù)需求,姿態(tài)估計(jì)成為時(shí)下最為重要的計(jì)算機(jī)視覺(jué)挑戰(zhàn)性問(wèn)題之一。當(dāng)前研究者們已提出了多種人體姿態(tài)估計(jì)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(jì)算法精度較低,人體姿態(tài)估計(jì)問(wèn)題仍待進(jìn)一步研究。針對(duì)這些問(wèn)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(jì)方法,通過(guò)搭建空間變換卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)訓(xùn)練關(guān)節(jié)的依賴關(guān)系從而提高關(guān)節(jié)點(diǎn)的分類(lèi)準(zhǔn)確率。主要工作如下:

2、r>  首先對(duì)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(duì)數(shù)據(jù)集圖片做旋轉(zhuǎn)、翻轉(zhuǎn)操作擴(kuò)大數(shù)據(jù)集的規(guī)模。之后以關(guān)節(jié)點(diǎn)為中心進(jìn)行分割,對(duì)分割后的關(guān)節(jié)圖像塊做聚類(lèi)。以聚類(lèi)結(jié)果為標(biāo)簽,供接下來(lái)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(shí)驗(yàn)中用K-MEANS算法和K-MEANS++算法做聚類(lèi)對(duì)比,實(shí)驗(yàn)結(jié)果證明對(duì)于二維的關(guān)節(jié)圖像塊,K-MEANS算法簡(jiǎn)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(gè)深度空間變換卷積神經(jīng)網(wǎng)絡(luò),之后以K-MEANS聚類(lèi)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(guò)交叉驗(yàn)證的方式不斷的對(duì)網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化。在實(shí)驗(yàn)中與未加空間變換層的深度卷積網(wǎng)絡(luò)進(jìn)行了對(duì)比,實(shí)驗(yàn)結(jié)果證明深度空間變換卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的擬合能力更強(qiáng),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(zhǔn)確率提高了10%。
  最后構(gòu)

4、建支持向量機(jī)的決策函數(shù)用于關(guān)節(jié)分類(lèi)。本文分析了支持向量機(jī)(Support Vector Machine,SVM)中決策函數(shù)的作用,之后基于K-MEANS聚類(lèi)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(guò)數(shù)學(xué)建模構(gòu)建了一個(gè)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(lèi),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(duì)某關(guān)節(jié)碎片有一個(gè)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(duì)該碎片進(jìn)一步識(shí)別。通過(guò)兩部分的疊加來(lái)識(shí)別關(guān)節(jié)點(diǎn)。最終通

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論