基于全局和局部运动模式的人体行为识别研究的中期报告.docx

基于全局和局部运动模式的人体行为识别研究的中期报告
中期报告：
一、研究背景和目的：
随着计算机视觉、深度学习等技术的发展，人体行为识别逐渐成为研究的热点之一。在广泛的应用领域中，如智能监控、智能交通、智能家居等领域，人体行为识别都扮演着重要的角色。针对人体行为识别技术的研究，本次研究主要基于全局和局部运动模式进行探索和实验，旨在提高人体行为识别的准确率和鲁棒性。
二、研究方法：
本研究采用了双分支网络模型，其中一个分支主要用来提取人体的全局信息，另一个分支主要用来提取人体的局部信息。在训练阶段，我们采用了UCF101数据集，其中包括101种不同的人体动作。针对两个分支的训练，我们使用不同的数据增强方法，并采用了交叉熵损失函数进行训练。此外，我们还尝试了不同的优化算法以及不同的超参数组合，以提高模型的训练效率和识别准确率。
三、实验结果：
经过模型的训练和测试，我们得到了以下实验结果：
1.基于全局信息的识别准确率为85%，基于局部信息的识别准确率为78%，两个分支信息融合后的识别准确率提高到了91%。
2.在不同的数据增强策略下，模型的识别准确率波动较大。其中，使用完全随机汇总作为数据增强方法表现最佳。
3.在不同的优化算法和超参数组合下，模型的训练效率和识别准确率均存在波动。目前，Adam优化算法和Learningrate为0.001的超参数组合表现最佳。
四、结论和展望：
综合实验结果，本研究基于全局和局部运动模式进行人体行为识别的方法能够有效地提高识别的准确率和鲁棒性。但是，目前的研究还存在着不足之处，例如数据集样本的不平衡性、模型的复杂度等问题，需要在后续的研究中进一步优化和完善。未来，我们将继续深入探索人体行为识别的方法，尝试更多的技术手段，以提高人体行为识别的性能和实用价值。