基于ActionVLAD池化與分層深度學習網(wǎng)絡的組群行為識別方法
關鍵詞：組群行為識別 局部聚合描述符 雙流網(wǎng)絡 分層長短時記憶
摘要：構建端到端的深度學習網(wǎng)絡結合局部聚合描述符(Action vector of locally aggregateddescriptor,ActionVLAD)池化層和多層長短時記憶(Long short time memory,LSTM)解決組群行為識別問題。在傳統(tǒng)的單一圖像信息(Red Green Blue,RGB)作為深度學習網(wǎng)絡的輸入基礎上,添加密集光流信息(Dense_flow),描述視頻幀間的運動,作為雙流網(wǎng)絡的輸入;通過底層LSTM對特征信息進行建模,由融合的雙流特征來表示個人行為;而ActionVLAD池化層可以對不同時間、圖片不同位置的特征進行融合,從而更好地融合個人信息;最后頂層LSTM連接Softmax分類器,通過融合的個人信息判斷組群活動。在Collective activity dataset數(shù)據(jù)集上的測試實驗獲得了82.3%的平均識別精度。
數(shù)據(jù)采集與處理雜志要求:
{1}基金項目：如果論文是項目成果，請按“項目名稱（項目號）”的形式寫出。項目名稱與項目號兩者都要有。
{2}稿件應具有科學性、創(chuàng)新性和實用性，論點明確、論據(jù)可靠、數(shù)據(jù)準確、邏輯嚴謹、文字通順。
{3}文中圖表或插圖請附清晰的原圖文件（tif. 或eps.格式，不低于600 像素）。
{4}注釋是對論文中某一特定內(nèi)容的解釋或補充說明，用帶圈數(shù)字注于當頁頁腳。
{5}稿件文字、標點、年代、數(shù)字等書寫方式均以國家有關規(guī)定為準。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
