《表1：在UCF-101和HMDB-51验证集的精确度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于通道注意力机制的视频人体行为识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文使用kinetics预训练模型对UCF-101和HMDB-51数据集进行迁移学习，图2为SE-ResNeXt-101和C3D网络模型在UCF-101数据验证集上进行实验的平均准确度曲线，观察不同网络模型的对比图可以得出，本文提出的网络模型相比原始的C3D模型在数据训练中可以提前2至3个周期达到最高的准确度，并且相比原始模型收敛速度更快，而且从最终准确度也比原始模型高出5个百分点左右，所以使用SE-ResNeXt网络能有效地对UCF-101数据集中的人体行为进行识别，并且有了一定的提升。图3为SE-ResNeXt-101和C3D网络模型在HMDB-51数据验证集上进行实验的平均准确度曲线，和在UCF-101数据集上相比大致相同，本文提出模型相比原始C3D提前1至2个周期达到最高的精确度，同时相比原始C3D模型也有着更快的模型收敛速度和更高的精度，但是由于HMDB-51数据集视频内容的不同来源和复杂性的问题，训练过程中准确度波动较大，但多次训练过后依旧保持相对稳定的状态，通过两个数据集的对比验证，更进一步证明了模型的鲁棒性和有效性。