《3D Res-Inception Network Transfer Learning for Multiple Label Crowd Behavior Recognition》解读

最新推荐文章于 2023-05-14 20:53:52 发布

原创最新推荐文章于 2023-05-14 20:53:52 发布 · 418 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#异常检测 #3D卷积

人群计数专栏收录该内容

6 篇文章

订阅专栏

本文提出了一种结合残差网络与Inception-v3的深度学习模型，用于视频行为分析。创新点包括2D到3D的转换处理、人群行为分析方法及迁移学习应用。模型首先在UCF-101数据集上学习特征，再于WWW数据集上微调，采用双分支训练策略，分别输入光流与运动特征，最后在高层进行融合。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文的创新：
1.提出了一个残差网络与inception-v3结合的思路；
2.将2D膨胀成3D用于处理视频序列；
3.首先使用3D卷积学习UCF-101的特征，再使用迁移学习的办法在WWW数据集上进行微调，使用一个熵函数计算多标签概率
4.使用了两个branch进行训练，第一个branch使用光流特征进入，第二个使用运动特征，然后在高层进行融合（和上一篇文章相似）
学到的东西：
1.进行人群行为分析的办法主要有四种：1.光流法；2.轨迹；3.HOG特征；4.社会学方法，[14]提到了关于运动模式分割的一个思路；
2.通过UCF-101到WWW迁移学习的处理办法；
3.进行人群行为分析对视频的处理办法，这里使用了25帧作为一个视频序列；
4.对行为分析精度指标的界定：AUC和mAP；