没有合适的资源？快使用搜索试试~
我知道了~
文库首页
开发技术
其它
基于CNN/LSTM和稀疏下采样的人体行为识别
基于CNN/LSTM和稀疏下采样的人体行为识别
研究论文
9 下载量
75 浏览量
2021-03-08
03:29:45
上传
评论
2
收藏
1.22MB
PDF
举报
温馨提示
立即下载
基于CNN/LSTM和稀疏下采样的人体行为识别
资源推荐
资源评论
基于LSTM神经网络的人体动作识别.pdf
浏览：76
5星 · 资源好评率100%
基于LSTM神经网络的人体动作识别.pdf
基于Detectron2和LSTM的人体动作识别
浏览：19
5星 · 资源好评率100%
在代码中我们将解释如何使用`姿势估计和LSTM (Long - term Memory)`创建一个用于人类动作识别(或分类)的App。我们将创建一个web应用程序，它接收一个视频，并生成一个带有标识动作类注释的输出视频。
LSTM-CNN-model-for-HAR:用于人类活动识别的LSTM-CNN模型
浏览：180
5星 · 资源好评率100%
介绍： 用于人类活动识别的LSTM-CNN模型第一个可穿戴的数据集是“ ，该包含30位受试者的记录，这些受试者在进行带有腰部安装式智能手机的嵌入式智能手机的同时进行日常生活（ADL）活动。 每个人都在腰上佩戴智能手机（三星Galaxy S II）进行六项活动。 从嵌入式加速度计和陀螺仪中，以50Hz的恒定速率捕获3轴线性加速度和3轴角速度。 标签是通过视频记录的。 传感器信号通过应用噪声滤波器进
论文研究-基于CNN特征与HMM时序建模的人体行为识别研究 .pdf
浏览：120
基于CNN特征与HMM时序建模的人体行为识别研究，王冬雪，张磊，随着视频的总量和类别数量迅速增长，智能化的视频分析方法已经成为许多实际应用中的核心技术，例如异常监控、医疗诊断和视频检索
基于改进的深度神经网络的人体动作识别模型
浏览：21
针对现有人体动作识别方法需输入固定长度的视频段、未充分利用时空信息等问题，提出一种基于时空金字塔和注意力机制相结合的深度神经网络模型，将包含时空金字塔的3D-CNN和添加时空注意力机制的LSTM模型相结合，实现了对视频段的多尺度处理和对动作的复杂时空信息的充分利用。以RGB图像和光流场作为空域和时域的输入，以融合金字塔池化层的运动和外观特征后的融合特征作为融合域的输入，最后采用决策融合策略获得最终
基于Bi-LSTM-Attention模型的人体行为识别算法
浏览：164
针对长短时记忆网络(LSTM)不能有效地提取动作前后之间相互关联的信息导致行为识别率偏低的问题,提出了一种基于Bi-LSTM-Attention模型的人体行为识别算法。该算法首先从每个视频中提取20帧图像,通过Inceptionv3模型提取图像中的深层特征,然后构建向前和向后的Bi-LSTM神经网络学习特征向量中的时序信息,接着利用注意力机制自适应地感知对识别结果有较大影响的网络权重,使模型能够根
TensorFlow平台上基于LSTM神经网络的人体动作分类_杨煜.pdf
浏览：200
5星 · 资源好评率100%
TensorFlow平台上基于LSTM神经网络的人体动作分类_杨煜.pdf
基于时间序列分析的人体运动行为模式识别研究
浏览：99
3星 · 编辑精心推荐
基于时间序列分析的人体运动行为模式识别研究; 行为识别；时间序列分析；小波阈值降噪；长短时记忆；隐马尔科夫模型
用于3D动作识别和检测的基于空时注意力对的LSTM网络
浏览：88
Human action analytics has attracted a lot of attention for decades in computer vision. It is important to extract discriminative spatio-temporal features to model the spatial and temporal evolutions
LSTM模型初学代码
浏览：135
初学者所写，请谨慎尝试，欢迎指出不足！初学者所写，请谨慎尝试，欢迎指出不足！
基于协同LSTM神经网络的人体行为识别研究.pdf
浏览：33
基于协同LSTM神经网络的人体行为识别研究.pdf
论文研究-基于CNN与VLAD的人体行为识别研究 .pdf
浏览：119
基于CNN与VLAD的人体行为识别研究，王冬雪，张磊，人体行为识别是很多实际应用中的关键技术，例如视频监控、人机交互、虚拟现实和视频检索等，所以智能的人体行为识别技术有着很高
基于CNN和LSTM混合模型的人体跌倒行为研究.pdf
浏览：198
目前深度学习模型不能较好地把监控视频中跌倒行为的空间和时序特征有效结合起来。为此，提出基于CNN和LSTM(混合模型的人体跌倒行为识别方法
基于LSTM的眼动行为识别及人机交互应用
浏览：58
眼动交互在人机交互领域中有着广泛的应用前景，针对传统的眼动交互传感设备具有普遍侵入性，校准过程复杂且价格昂贵，普通单目摄像头传感器分辨率低等问题.提出一种基于前置摄像头视频源，使用方向梯度直方图（HOG）特征+SVM+LSTM神经网络的眼动行为识别方法，进而实现了简单的人机交互应用.该方法首先定位和跟踪人脸，在人脸对齐操作后依据4个眼角关键点的坐标获取双眼区域，使用SVM模型判断眼睛的睁闭眼及非眨
论文研究-基于多流CNN-LSTM网络的群体情绪识别.pdf
浏览：35
针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。最后连接Softmax分类器，对三个通道的Softmax输出进行加权
下一步：通过Time-LSTM对用户行为进行建模
浏览：201
最近，推荐系统（RS）的递归神经网络（RNN）解决方案变得越来越流行。 洞察力在于，用户动作序列中存在一些固有的模式，并且事实证明，当对顺序数据进行建模时，RNN的表现非常出色。 在诸如语言建模之类的传统任务中，RNN解决方案通常仅考虑对象的顺序顺序，而没有间隔的概念。 但是，在RS中，用户动作之间的时间间隔对于捕获用户动作与传统RNN体系结构之间的关系非常重要，不利于对它们进行建模。 在本文中，
基于姿势的行为识别matlab程序
浏览：102
3星 · 编辑精心推荐
基于姿势的行为识别matlab程序，使用pose提取关节特征进行行为识别，matlab版本要2014年的，16年的估计也行
双向LSTM-CNN的命名实体识别：双向LSTM-CNN的命名实体识别
浏览：33
更好的NER 具有双向LSTM-CNN的命名实体识别 命名实体识别的双向LSTM_CNN的keras实现。 原始论文可以在找到 该实现与原始论文的不同之处在于： 不考虑词典 使用存储桶可加快培训速度 使用nadam优化程序代替SGD 结果 该模型在约70个时期内产生90.9％的测试F1得分。 对于给定的体系结构，本文产生的结果是91.14体系结构（带有emb + caps的BILSTM-CNN）
LSTM手写字体识别
浏览：159
在手写字体识别上，用10个epoch训练结果准确率可以达到98.9%
cnn +rnn +attention 以及CTC-loss融合的文字识别代码，要的拿去不客气，样本使用自我合成的数据，可自己添加
浏览：175
cnn +rnn +attention 以及CTC-loss融合的文字识别代码，基于tensorflow实现，要的拿去不客气，样本使用自我合成的数据，可自己添加，有些人傻的，上来就说不能直接运行，大爷的说了要添加训练样本，傻吗。。。
CNN人体行为识别代码
浏览：129
CNN人体行为识别代码
通过基于注意的CNN-LSTM-CRF进行中国临床实体识别
浏览：107
通过基于注意的CNN-LSTM-CRF进行中国临床实体识别
基于MASK-CNN的行为识别算法.zip
浏览：36
基于深度学习的Mask-CNN行为识别算法
基于注意的CNN-LSTM-CRF在中文临床文本中的实体识别
浏览：42
基于注意的CNN-LSTM-CRF在中文临床文本中的实体识别
Keras 基于LSTM、CNN、SVM、MLP 进行语音情感识别项目源码
浏览：139
5星 · 资源好评率100%
Keras 基于LSTM、CNN、SVM、MLP 进行语音情感识别项目源码 环境： Python 3.8 Keras & TensorFlow 2 Preprocess 首先需要提取数据集中音频的特征并保存到本地。Opensmile 提取的特征会被保存在 .csv 文件中，librosa 提取的特征会被保存在 .p 文件中。 python preprocess.py --config confi
基于注意力的LSTM-CNN在中国社交媒体文本上的不确定性识别
浏览：92
基于注意力的LSTM-CNN在中国社交媒体文本上的不确定性识别
基于CNN-LSTM架构神经网络的桥梁损伤位置识别.pdf
浏览：168
5星 · 资源好评率100%
基于CNN-LSTM架构神经网络的桥梁损伤位置识别.pdf
模式分类识别Python实现基于LSTM-CNN的深度学习模式分类识别
浏览：98
模式分类识别Python实现基于LSTM-CNN的深度学习模式分类识别
基于BiLSTM,LSTM模型和CNN模型关系识别 附完整代码+数据集
浏览：25
5星 · 资源好评率100%
中文采用自主的一些数据集， 英文采用 SemEval2010_task8 数据 采用keras TensorFlow Backend 关系类型如下： 部分-整体(e1,e2) 部分-整体(e2,e1) 内容-容器(e1,e2) 内容-容器(e2,e1) 产品-生产者(e1,e2) 产品-生产者(e2,e1) 成员-组织(e1,e2) 1. 关系中文 中文识别直接采用tw_word2vec/outp
基于DEAP的脑电情绪识别（四分类）（五种模型作对比：一维 CNN，LSTM和二维和三维 CNN和带有LSTM的级联CNN）
浏览：108
5星 · 资源好评率100%
基于DEAP的脑电情绪识别四分类算法 采用了五种模型作对比：一维 CNN，LSTM，二维CNN,三维 CNN，带有LSTM的级联CNN）
评论
收藏
内容反馈
立即下载
资源评论
资源反馈
评论星级较低，若资源使用遇到问题可联系上传者，3个工作日内问题未解决可申请退款~
联系上传者
评论
weixin_38644688
粉丝: 9
资源:
932
私信
上传资源 快速赚钱
我的内容管理
展开
我的资源
快来上传第一个资源
我的收益
登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏
我的下载
下载帮助
前往需求广场，查看用户热搜
最新资源
oci.dll(Python程序部署到Linux系统，从安装到运行，保姆级教程！！！！)
一篇了解reactor特性
HTML简单表格制作（购物）
30.stp
排序函数大纲资料.txt
Keil.Jansson.1.0.0.zip
mysql大纲资料.txt
信通公司通信部分制度汇编.doc
修订版软件系统开发服务合同.doc
俱乐部网站建设方案书.doc
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
安全验证
文档复制为VIP权益，开通VIP直接复制
信息提交成功
