典型文献
融入时空注意力机制的深度学习网络视频动作分类
文献摘要：
为了减少基于深度学习动作识别过程中视频图像背景和冗余帧等对识别效果的影响,在深度学习框架中加入注意力机制,提出了一种利用长短时记忆(long short-term memory,LSTM)网络等强化特征提取的方法.首先,改进了数据处理方法,使用融入空间注意力机制的残差网络提取视频中的动作序列空间特征;其次,提出时序注意力机制(temporal attention mechanism,TAM),进一步提取LSTM输出动作序列的时序特征,并根据不同时刻LSTM输出的重要程度,为视频帧序列动态分配加权系数;最后,通过Softmax分类器完成动作分类.结果表明,所提方法在UCF101数据集上的识别准确率达到了96.9％.
文献关键词：
人工神经网络与计算;深度学习;动作分类;注意力机制
中图分类号：
作者姓名：
刘悦;张雷;辛山;张宇
作者机构：
北京建筑大学电气与信息工程学院,北京100044
文献出处：
引用格式：
[1]刘悦;张雷;辛山;张宇-.融入时空注意力机制的深度学习网络视频动作分类)[J].中国科技论文,2022(03):281-287
A类：
B类：
时空注意力机制,深度学习网络,网络视频,动作分类,动作识别,识别过程,中视频,视频图像,深度学习框架,长短时记忆,long,short,term,memory,数据处理方法,空间注意力机制,残差网络,动作序列,空间特征,时序注意力机制,temporal,attention,mechanism,TAM,出动,时序特征,不同时刻,重要程度,视频帧,动态分配,加权系数,Softmax,分类器,UCF101,识别准确率,人工神经网络与计算
AB值：
0.488833
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
