目錄
第一篇 學(xué)習(xí)者行為與智能視覺計算
第1章 緒論 3
1.1 研究背景 3
1.2 國內(nèi)外研究現(xiàn)狀 4
1.2.1 學(xué)習(xí)者行為表征 5
1.2.2 目標(biāo)檢測與行為分析 7
1.2.3 行為動作的內(nèi)容描述 9
1.3 主要內(nèi)容與章 節(jié)組織 11
1.4 小結(jié) 12
參考文獻 12
第2章 智能視覺計算 16
2.1 計算機視覺和機器視覺 16
2.2 智能視覺計算的定義 16
2.3 智能視覺計算的應(yīng)用 18
2.3.1 智能安防 18
2.3.2 智能交通 18
2.3.3 智能制造 19
2.3.4 智能醫(yī)療 19
2.3.5 智能家居 19
2.4 學(xué)習(xí)者行為相關(guān)的智能視覺計算技術(shù) 20
2.4.1 目標(biāo)檢測 21
2.4.2 行為識別 21
2.4.3 動作檢測 22
2.4.4 視覺場景描述 22
2.5 視覺計算相關(guān)的科技名企 23
2.6 小結(jié) 26
參考文獻 26
第二篇 學(xué)習(xí)者目標(biāo)檢測與身份認證
第3章 學(xué)習(xí)者目標(biāo)檢測 31
3.1 引言 31
3.2 目標(biāo)檢測研究概述 31
3.2.1 常見方法與模型 31
3.2.2 相關(guān)基準(zhǔn)數(shù)據(jù)集 33
3.2.3 性能評價指標(biāo) 35
3.3 考試場景下的學(xué)習(xí)者目標(biāo)檢測 36
3.3.1 學(xué)習(xí)者目標(biāo)檢測專用數(shù)據(jù)集構(gòu)建 36
3.3.2 基于SSD網(wǎng)絡(luò)及其改進網(wǎng)絡(luò)的目標(biāo)檢測方法 40
3.3.3 基于級聯(lián)注意力的全卷積目標(biāo)檢測方法 60
3.3.4 基于瓶頸注意模塊的小樣本目標(biāo)檢測方法 73
3.4 小結(jié) 79
參考文獻 80
第4章 學(xué)習(xí)者身份認證 84
4.1 引言 84
4.2 身份認證研究概述 84
4.2.1 常見方法與模型 84
4.2.2 相關(guān)基準(zhǔn)數(shù)據(jù)集 87
4.2.3 性能評價指標(biāo) 88
4.3 學(xué)習(xí)場景下基于人臉特征分析的學(xué)習(xí)者身份認證 88
4.3.1 學(xué)習(xí)者身份認證專用數(shù)據(jù)集構(gòu)建 88
4.3.2 基于人臉檢測的身份認證方法 91
4.3.3 基于人臉識別的身份認證方法 98
4.3.4 基于人臉識別及類別平衡的身份認證方法 102
4.4 小結(jié) 110
參考文獻 110
第三篇 學(xué)習(xí)者行為識別與時序動作檢測
第5章 學(xué)習(xí)者行為識別 117
5.1 引言 117
5.2 行為識別研究概述 117
5.2.1 常見方法與模型 117
5.2.2 相關(guān)基準(zhǔn)數(shù)據(jù)集 120
5.2.3 性能評價指標(biāo) 122
5.3 學(xué)習(xí)場景下的學(xué)習(xí)者行為識別 122
5.3.1 學(xué)習(xí)者行為識別專用數(shù)據(jù)集構(gòu)建 122
5.3.2 基于解耦注意力和多特征融合的行為識別方法 127
5.3.3 基于尺度感知目標(biāo)檢測器的行為識別方法 136
5.3.4 基于姿態(tài)估計器的行為識別方法 147
5.4 小結(jié) 161
參考文獻 161
第6章 學(xué)習(xí)者時序動作檢測 166
6.1 引言 166
6.2 時序動作檢測研究概述 166
6.2.1 常見方法與模型 166
6.2.2 相關(guān)基準(zhǔn)數(shù)據(jù)集 169
6.2.3 性能評價指標(biāo) 170
6.3 學(xué)習(xí)場景下的學(xué)習(xí)者時序動作檢測 171
6.3.1 學(xué)習(xí)者時序動作檢測專用數(shù)據(jù)集構(gòu)建 171
6.3.2 基于增強解耦的單階段時序動作檢測方法 177
6.3.3 基于Timeception與超事件的時序動作檢測方法 188
6.3.4 基于雙流完整性建模的弱監(jiān)督時序動作檢測方法 203
6.4 小結(jié) 217
參考文獻 217
第四篇 學(xué)習(xí)者行為的視覺場景描述
第7章 學(xué)習(xí)者行為圖像描述 225
7.1 引言 225
7.2 圖像描述研究概述 225
7.2.1 常見方法與模型 225
7.2.2 相關(guān)基準(zhǔn)數(shù)據(jù)集 227
7.2.3 性能評價指標(biāo) 228
7.3 考試場景下學(xué)習(xí)者行為圖像單句描述 230
7.3.1 學(xué)習(xí)者行為的圖像單句描述專用數(shù)據(jù)集構(gòu)建 230
7.3.2 CNN+LSTM框架下的圖像單句描述方法 233
7.4 學(xué)習(xí)場景下學(xué)習(xí)者行為圖像密集描述 238
7.4.1 學(xué)習(xí)者行為圖像密集描述專用數(shù)據(jù)集構(gòu)建 238
7.4.2 CNN+LL+LSTM框架下的圖像密集描述方法 242
7.4.3 Y0L0v3+LSTM框架下的圖像密集描述方法 251
7.5 小結(jié) 256
參考文獻 257
第8章 學(xué)習(xí)者行為視頻描述 261
8.1 引言 261
8.2 視頻描述研究概述 261
8.2.1 常見方法與模型 261
8.2.2 相關(guān)基準(zhǔn)數(shù)據(jù)集 264
8.2.3 性能評價指標(biāo) 264
8.3 學(xué)習(xí)場景下學(xué)習(xí)者行為視頻描述 265
8.3.1 學(xué)習(xí)者行為視頻描述專用數(shù)據(jù)集 265
8.3.2 基于多特征編碼的視頻描述方法 268
8.3.3 基于動態(tài)目標(biāo)感知與二階段融合的視頻描述方法 277
8.3.4 基于多模態(tài)特征的視頻密集描述方法 289
8.4 小結(jié) 303
參考文獻 303
第9章 總結(jié)與展望 310
9.1 研究工作總結(jié) 310
9.2 未來研究展望 312
彩圖