基于三维卷积和Faster RCNN的视频动作检测技术研究的开题报告.docx

基于三维卷积和FasterRCNN的视频动作检测技术研究的开题报告
一、选题背景
随着智能物联等领域的发展，视频动作检测技术被广泛应用于工业、安防、智能交通等领域。视频动作检测是指从视频中自动识别和检测特定的动作。例如，足球比赛中，电脑可以自动检测球员是否进球，篮球比赛中电脑可以自动检测篮球员是否得分等。目前，视频动作检测技术主要分为两类：基于手工特征提取和基于深度学习。基于深度学习的视频动作检测技术在视频中自动提取特征并进行动作分类，准确度高，成为了研究热点。
二、选题意义
本文研究基于三维卷积和FasterRCNN的视频动作检测技术，具有以下几个意义：
1.提高视频动作检测准确度
FasterRCNN模型是目前检测accuracy和效率最高的objectdetection模型之一。将其应用于视频动作检测技术，可以大幅度提高检测准确度，减少误报率和漏报率。
2.实现实时视频动作检测
对于应用于智能交通等领域，实时性是很重要的，用户需要获得即时准确的检测结果。本文提出的基于FasterRCNN的视频动作检测技术采用硬件加速技术，可以在不影响准确度的情况下提高检测速度，从而实现实时视频动作检测。
3.推动深度学习技术在视频动作检测中的应用
深度学习技术是目前视频动作检测应用领域的主流。本文研究基于三维卷积和FasterRCNN的视频动作检测技术，有助于推动深度学习技术在该领域中的应用和发展。同时，本文提出的技术可以为其他领域的视频分析提供借鉴和参考。
三、主要研究内容
本文主要研究基于三维卷积和FasterRCNN的视频动作检测技术。具体研究内容如下：
1.研究FasterRCNN目标检测算法在视频动作检测中的应用。
2.提出一种基于三维卷积的特征提取算法，提高视频动作检测的准确度和速度。
3.建立视频动作检测数据集，并进行实验比较。验证所提出的视频动作检测技术的准确度和效率。
四、技术路线
1.特征提取
本研究首先使用3D卷积神经网络提取视频中的特征，该网络可以有效地从视频中提取时间维度上的相关特征。同时，该特征提取网络会将二维卷积神经网络中最后一层中输出的特征堆积在时间轴上，从而使得学习到的特征能够准确地反应出相邻帧之间的关系。
2.FasterRCNN检测网络
使用FasterRCNN网络来对视频中的目标进行检测。该网络在准确度和速度上都表现出优异的性能。在此，使用FasterRCNN来检测视频中的运动目标，如人物、车辆、球等。
3.训练网络
本文使用GPU加速来训练3D卷积神经网络，以更快的速度训练网络。同时，由于3D卷积网络具有较高的计算和空间成本，采用了FasterRCNN的RPN机制来减少计算成本。
4.实验平台
本文使用Python语言进行算法实现，使用tensorflow、keras等深度学习框架进行模型设计和训练。本文采用的设备为CPU为IntelCorei5-6400，GPU为NvidiaGeForceGTX1070。
五、预期成果
1.提出一种基于三维卷积和FasterRCNN的视频动作检测技术。
2.通过建立视频动作检测数据集，验证所提出的视频动作检测技术的准确度和效率。
3.探究在数据量有限的情况下，本文所提出的基于三维卷积和FasterRCNN的视频动作检测技术的效果。
4.对视频动作检测领域的研究做出一定的贡献。
六、参考文献
1.U.Bhattacharya,S.Moorthy,S.Panchanathan,“Amultimodalapproachforautomatedassessmentofsurgicalskills”,inProceedingsofthe2015ACMonInternationalConferenceonMultimodalInteraction,2015,pp.435-442.
2.L.Wang,Y.Qiao,X.Tang,“Actionrecognitionwithtrajectory-pooleddeep-convolutionaldescriptors”,inProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition,2015,pp.4305-4314.
3.R.Girshick,J.Donahue,T.Darrell,J.Malik,“Region-basedconvolutionalnetworksforaccurateobjectdetectionandsegmentation”,IEEETransactionsonPatternAnalysisandMachineIntelligence,vol.38,no.1,pp.142-158,2016.
4.K.He,X.Zhang,S.R