《表1 D3D结构参数：跌倒异常行为的双重残差网络识别方法》

  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

《跌倒异常行为的双重残差网络识别方法》

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

图5给出了D3D网络模型结构，而对于18层的D3D网络结构，每个D3D模块包含2个3D-Resnet单元，即图5中n1～n4都为2。同时对模型进行深层拓展，构建34层的D3D模型，网络层数与3D-Resnet相同。对于34层的D3D模型结构，同样包含1个卷积层、4个D3D模块和1个全连接层，4个D3D模块内部分别含有3、4、6、3个3D-Resnet单元。表1给出了18层和34层D3D模型的具体参数以及输入输出大小。为了充分地提取时序特征，所有的卷积采用的时间步长为1。为了降低维度并充分提取空间特征，conv1、conv5＿1、conv5＿3采用降采样方法，空间步长为2，其余卷积的空间步长为1。由于网络模型各层卷积核的数量和步长参数设置不同，导致基于跨连接方式的残差结构输入与输出特征图的维度不一致而不能直接相加，采用1×1×1卷积来调整维度。