《表1 人体关键点编号：基于图像检测的机场人员异常行为分析技术研究》
提示：宽带有限、当前游客访问压缩模式
该算法将深度学习应用于人体姿态分析，通过多层卷积神经网络来识别人体18个关键点[7]。识别的关键点序列如表1所示，图5为关键点识别效果图。
| 图表编号 | XD00124103600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.01.01 |
| 作者 | 孙宝聪 |
| 绘制单位 | 大连国际机场基建工程部 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 扫描策略具体内容：基于图像处理技术的运动轨迹自动检测研究》2021.03.01
- 《表1 网络结构参数：基于深度学习的远程视频监控异常图像检测》2021.02.28
- 《表3 恶意软件样本分布：KVM环境下基于异常行为的恶意软件检测技术研究》2020.06.05
- 《表1 0 正常软件测试：KVM环境下基于异常行为的恶意软件检测技术研究》2020.06.05
- 《表9 正常软件测试：KVM环境下基于异常行为的恶意软件检测技术研究》2020.06.05
- 《表8 恶意软件测试：KVM环境下基于异常行为的恶意软件检测技术研究》2020.06.05
- 《表7 分数分布：KVM环境下基于异常行为的恶意软件检测技术研究》2020.06.05
- 《表2 消去实验：基于注意力机制的红外图像和自然图像电力设备异常检测方法研究》2020.02.25
- 《表3 基本概率分配：基于多特征融合的机场FOD图像检测技术》2020.01.25
- 《表1 测量参数：基于多特征融合的机场FOD图像检测技术》2020.01.25
- 《表2 人体姿态识别结果：基于BP神经网络的体育视频关键姿态检测》2019.12.20
- 《表1 人体姿态特征模型：基于BP神经网络的体育视频关键姿态检测》2019.12.20
- 《表4 卷积神经网络应用：基于图像分析的恶意软件检测技术研究》2019.10.10
- 《表3 机器学习算法应用：基于图像分析的恶意软件检测技术研究》2019.10.10
- 《表1 图像分析方法总结：基于图像分析的恶意软件检测技术研究》2019.10.10
- 《表5 其他算法应用：基于图像分析的恶意软件检测技术研究》2019.10.10
- 《表2 算法对比：智能看护器人对人体行为理解的关键技术研究》2019.03.15
- 《表1 特征分类：智能看护器人对人体行为理解的关键技术研究》2019.03.15
- 《表1 检测图像倾斜角：基于LabVIEW的核燃料组件图像倾斜处理技术研究》2019.02.15
- 《表4 编号0～4的人体关键点的类内、类间标准欧氏距离》2019.02.01