第1章 緒論 1

1.1 引言 1

1.2 本書內(nèi)容 5

1.3 本章小結(jié) 15

第2章 經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)回顧 16

2.1 經(jīng)典圖像分類網(wǎng)絡(luò) 16

2.1.1 LetNet-5 16

2.1.2 AlexNet 18

2.1.3 VGGNet 22

2.1.4 GoogLeNet 24

2.1.5 Inception V2/V3 27

2.1.6 ResNet 28

2.1.7 preResNet 31

2.1.8 WRN 32

2.1.9 隨機深度網(wǎng)絡(luò) 33

2.1.10 DenseNet 35

2.1.11 ResNeXt 36

2.1.12 SENet 39

2.1.13 MobileNet 41

2.1.14 MobileNet V2/V3 44

2.1.15 ShuffleNet 46

2.1.16 ShuffleNet V2 49

2.2 RNN、LSTM和GRU 51

第3章 基于2D卷積的動作識別 62

3.1 平均匯合 62

3.2 NetVLAD和NeXtVLAD 64

3.3 利用RNN融合各幀特征 77

3.4 利用3D卷積融合各幀特征 81

3.5 雙流法 87

3.6 時序稀疏采樣 95

3.7 利用iDT軌跡 104

第4章 基于3D卷積的動作識別 110

4.1 3D卷積基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu) 110

4.2 I3D 118

4.4 TSM 135

4.5 3D卷積 + RNN 137

4.6 ARTNet 139

4.7 Non-Local 141

4.8 SlowFast 148

4.9 3D卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)設(shè)計 152

第5章 時序動作定位 159

5.1 基于滑動窗的算法 160

5.2 基于候選時序區(qū)間的算法 171

5.3 自底向上的時序動作定位算法 183

5.4 對時序結(jié)構(gòu)信息建模的算法 197

5.5 逐幀預(yù)測的算法 202

5.6 單階段算法 208

第6章 視頻Embedding 219

6.1 基于視頻內(nèi)容的無監(jiān)督 Embedding 220

6.2 Word2Vec 229

6.2.1 CBOW和Skip-Gram 229

6.2.2 分層 Softmax 234

6.2.3 負采樣 239

6.3 Item2Vec 247

6.3.1 Item2Vec 基本形式 247

6.3.2 Item2Vec的改進 249

6.4 基于圖的隨機游走 252

6.5 結(jié)合一二階相似度 257

6.6 基于圖的鄰居結(jié)點 265

6.7 基于多種信息學(xué)習(xí)視頻Embedding 274

附錄A 視頻處理常用工具 281

參考文獻 296