【摘 要】
：
行为检测是从包含大量背景信息的多媒体视频中检测出包含人的动作行为的视频片段的起止时间，并对视频片段进行分类的计算机视觉任务。在智能视频监控、视频自动审核、自动驾驶方面有重要应用价值。大数据时代的到来，使以视频为代表的多媒体信息出现爆炸性增长，行为检测的重要性愈加凸显。然而真实的多媒体视频包含复杂的场景信息，加上人的行为复杂多样，设计出鲁棒的、可迁移的、精度高的行为检测算法依然困难重重。 针对行为
论文部分内容阅读
行为检测是从包含大量背景信息的多媒体视频中检测出包含人的动作行为的视频片段的起止时间，并对视频片段进行分类的计算机视觉任务。在智能视频监控、视频自动审核、自动驾驶方面有重要应用价值。大数据时代的到来，使以视频为代表的多媒体信息出现爆炸性增长，行为检测的重要性愈加凸显。然而真实的多媒体视频包含复杂的场景信息，加上人的行为复杂多样，设计出鲁棒的、可迁移的、精度高的行为检测算法依然困难重重。
针对行为检测任务的难点，本文提出了一种新颖的行为检测算法，该算法使用的神经网络可以充分地提取视频中的空域特征与时域特征并灵活地组合，以生成精确、鲁棒的高层特征，应用于行为检测任务。本文创新主要在于：
1)基于注意力机制的特征选择与融合。本文提出了一种时域与空域特征同时使用注意力机制的神经网络模块，该模块可以在时域与空域中自适应地选择有利于行为检测的特征，并灵活地融合时域与空域特征以生成高层特征。
2)长短时特征的显式区分与提取。本文显式区分了长时特征与短时特征，并分别为长时特征与短时特征的提取设计了神经网络模块，加之在短时特征提取模块的输出处引入辅助损失函数，使两个神经网络模块可分别专注于提取长时特征和短时特征，提升了行为检测算法的准确度。
3)基于CNN的长时特征提取模块。本文算法使用CNN提取视频中的长时特征，同时使用结构性时域池化模块动态调整时域的感受野，使特征提取网络没有时域感受野上限的限制，持续时间较长的动作的全局特征更容易被提取，提升了行为检测算法的准确度。
本文在THUMOS14、ActivityNet两个大型公开数据集的视频上对所提出算法进行了性能测试。实验表明，本文的算法优于以往的行为检测算法，在两个大型数据集上取得了最好的性能。
其他文献
印前检测与校正是稿件印刷前的最后一道工序，此过程会检测稿件中的多个印刷参数，确定其是否符合印刷要求，对于不符合印刷要求的稿件进行校正，避免印刷阶段出现错误，此过程也是印刷领域的研究热点和难点。目前印前检测与校正领域存在以下几个难点：稿件检测项目较少且准确度不高，不支持对稿件错误项目进行修正或其他写入操作。检测与修正过程无法实现自动化，仍然需要人工处理每一份稿件。缺乏高效的稿件处理结果校验算法，依赖
随着互联网和多媒体技术的快速发展，图片数据呈几何式增长。其中有一些图片令人们印象深刻，有一些图片却容易被人们忘记。近些年来，研究者们发现这种现象可用图像可记忆度解释，图像可记忆度是图像的固有属性，旨在描述一张图片能够被人记住的程度。目前，对图像可记忆度的研究主要有两方面，一方面是研究影响图像可记忆度的因素，另一方面专注于对图像可记忆度的预测。现有的很多图像可记忆度预测方法通过简单的特征串联表征图像
虽然数码相机拍摄画质日益提升，在低光照或者高感光(ISO)模式下拍摄图像仍会不可避免的引入噪声。而且在很多情况下，需要调高相机的ISO进行拍摄，例如夜间拍摄或者捕捉快速运动的物体。该类实际噪声在空间分布和颜色通道上具有相关性，远比高斯噪声复杂，所以传统的高斯去噪算法难以有效去除该类噪声。鉴于此，本文从盲去噪的角度分析，充分利用卷积神经网络(Convolutional Neural Network,
近年来，随着电子技术的飞速发展，阵列信号处理逐渐成为当前信息处理领域一个热门问题。阵列信号处理主要研究空间分布传感器阵列信号的信息处理问题，波束生成技术是阵列信号的基础，被广泛应用于通信雷达、图像处理、电力、机械振动、医学等领域。阵列信号处理所对应的信号分解和信号重构问题分别是空间谱估计和波束生成，但是在信息科技的发展过程中也不可避免的遇到了阵元间耦合效应加剧影响性能和软硬件成本提高这两个瓶颈问题
场景分割在智能驾驶中有广阔的应用前景，目前针对智能驾驶领域的场景分割算法主要依靠语义分割实现对场景中物体的识别和理解。针对场景中目标物体的类别可以将其划分为两类：基于所有物体的场景分割和以人为核心的场景分割。 在场景分割算法的设计上，提取具有判别力的上下文信息是关键。因此，本文首先提出了一种基于稠密金字塔和协同学习的语义分割模型，由局部上下文金字塔模块和全局上下文金字塔模块级联形成的稠密金字塔，
随着社会的不断发展，大量的视频监控被用于维护社会的公共安全。然而，视频监控虽然为公安部门提供了很多珍贵的线索，但是通过人工的方式在视频监控中寻找线索需要耗费大量的时间和人力。因此，基于自然语言描述的跨模态行人检索作为缓解这一问题的新兴技术，旨在根据自由形式的自然语言描述的询问，在不同的视频监控中找寻符合描述的目标行人。该任务是一项极具挑战性的细粒度跨模态检索任务。 首先，考虑到自然语言描述信息的
近年来宽色域视频图像技术取得了较大发展，通过采用更加饱和的三原色的成像与显示技术以及采用多原色背光或多原色彩色滤光阵列的多原色成像与显示技术大大提高了色域覆盖范围。本论文对目前扩展色域的三原色及多原色数字成像与显示技术进行了广泛研究与分析，并针对当前多原色宽色域成像系统的图像信号无法在现有标准三原色通道传输和多原色宽色域显示系统没有多原色图像源的问题，设计并实现了与三原色标准相兼容的四原色宽色域视
随着信息技术的高速发展，室内导航、家居设计和增强现实的需求日益增长，场景的重建和理解已经成为计算机视觉和计算机图形学中一个很活跃的话题。如今的重建方法大都依赖于较为理想的环境，在光线较弱和视角稀疏的现实情况下存在着很多问题与挑战。本文围绕着如何在弱光照条件以及稀疏视角的情况下重建与理解现实场景展开研究，其主要工作和创新点如下。 (1)设计了一套简易偏振系统用于图像的增强。为了应对彩色图拍摄质量不
随着计算机技术的快速发展以及互联网的普及，人们获取信息变得越来越方便。同时，信息的数量飞速增长，其种类也越来越多。最初的信息形式为文本、数字等，现在发展为图像、声音、视频等各种多媒体信息。其中，三维模型作为虚拟现实等技术的基础，使用范围变得越来越广泛。相比于图像视频，三维模型作为一种新的信息媒介在很多领域都发挥着重要的作用。目前三维模型已经被广泛应用于工业产品设计、影视动画、电子商务、文物保护、城
Gas signaling molecules(GSMs), composed of oxygen, carbon monoxide, nitric oxide, hydrogen sulfide, etc., play critical roles in regulating signal transduction and cellular homeostasis. Interestingly,