2025《基于深度学习的动作识别方法分析综述》6900字.docxVIP

基于深度学习的动作识别方法分析综述

目录

TOC\o1-3\h\u19062基于深度学习的动作识别方法分析综述 1

278271.1深度学习基础模型介绍 1

94741.1.1卷积神经网络 1

20351.1.2长短期记忆循环神经网络 6

165611.1.3图卷积神经网络 7

87551.1.3神经网络前向和反向传播 11

23461.2深度学习框架选择 12

260491.1.1Caffe 12

163131.1.2TensorFlow 12

138301.1.3PyTorch 13

31191.3基于深度学习的行为识别方法 14

198311.3.13D卷积神经网络算法 14

126791.3.2双流卷积神经网络算法 15

297151.3.3CNN-LSTM神经网络算法 16

278841.3.4图卷积神经网络算法 16

深度学习是近年来发展十分迅速的研究领域，在计算机视觉、自然语言处理和信号处理等人工智能的许多子领域都取得了比较大的成功。动作识别作为计算机视觉中比较重要的一部分同样受到深度学习发展的影响，研究者们提出了诸多较为经典的动作识别算法。

1.1深度学习基础模型介绍

深度学习领域的崛起得益于Hinton[REF_Re\r\h26]提出的多层前馈神经网络，神经网络中的参数利用反向传播算法更新。随着计算机硬件厂商所提供硬件的性能提高以及价格越来越亲民，越来越多的研究者们投入到深度学习领域，因此深度学习在近几年得到了迅速发展，每年都会有很多深度学习相关的论文。卷积神经网络（CNN）、长短期记忆网络（LSTM）和图卷积神经网络（GCN）是深度学习中三种比较经典的神经网络，研究者们主要基于上述神经网络根据任务的不同加以创新。

1.1.1卷积神经网络

卷积神经网络（CNN）的研究起始于上世纪80年代[REF_Re\r\h27]，随着深度学习理论的不断更新，卷积神经网络得以快速发展，图1.1所示是卷积神经网络发展过程中比较经典的卷积神经网络的发展历程，这些网络主要应用于图像分类与分割、视频分析等计算机视觉领域。

图1.1卷积神经网络发展历程

Figure1.1Thedevelopmenthistoryofconvolutionalneuralnetworks

深度学习模型在训练时大量的参数需要被更新和学习，卷积神经网络的局部连接和权重共享两种特性分别从神经元连接和权重两个角度解决了早期神经网络计算量较大的问题，节省了模型的训练时间[REF_Re\r\h28]。局部连接是指在卷积层中的每一个神经元都仅仅和下一层中某个局部窗口内的神经元相连，构成一个局部连接网络。图1.2(a)所示为全连接，即每个神经元与下一层中的所有神经元都进行连接。图1.2(b)所示为局部连接，两者对比发现两层之间的连接数相较于全连接大大减少。

(a)全连接(b)局部连接

图1.2全连接与局部连接对比

Figure1.2Comparisonoffullconnectionandpartialconnection

权重共享是指同一层中所有的神经元的权重是相同的，如图1.3所示，当权重不参与共享时的权重参数为9个，当权重参与共享时的权重参数减少到了3个，因此权重共享可以进一步减少参数数量，同时也保留了一定的空间信息，使运算变得更加简单和高效。

(a)权重共享

(b)权重不共享

图1.3权重共享与不共享对比

Figure1.3Comparisonofweightsharingandnon-sharing

图1.4所示是一个具有分类功能的卷积神经网络，从图中可以看出，卷积神经网络主要由卷积层、池化层和全连接层组成，每个网络层都有各自不同的功能，卷积层主要提取输入样本的特征，在卷积层后需要添加非线性激活函数层引入非线性因素；池化层用来减少神经网络的参数；全连接层通常与Softmax分类器结合使用输出最终的分类结果。

图1.4卷积神经网络组成

Figure1.4CompositionofConvolutionalNeuralNetwork

（1）卷积层

卷积层是卷积神经网络中的重要组成部分，作用是提取输入样本的特征，经过卷积后的特征称为特征映射，卷积层中神经元的权重在网络训练时不断被更新。图像的大小可以用高度和宽度表示，是一个二维的结构，为了从图像上提取更多的信息再添加第三个维度深度将卷积层扩展为三维结构，如图1