《表2 本文方法与其他方法准确率的比较》

  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

《基于紧耦合时空双流卷积神经网络的人体动作识别模型》

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

单位：%

最后，将本文方法与其他动作识别方法在UCF101和HMDB51数据集上进行比较，对比实验结果如表2所示。其中文献[10]所提出的STDDCN与本文方法最为相似，不同之处在于本文方法是在采样片段之间建立紧耦合连接，而STDDCN是在时空网络之间建立密集连接，从实验结果来看，本文方法的识别效果更好。此外还对比了改进的密集轨迹算法（Improved Dense Trajectories，IDT)[3]、双流卷积神经网络（Two-Stream)[7]、3D卷积网络（Convolutional 3D，C3D)[11]、时间分段网络[8]、时空相关网络（Spatio Temporal Relation Network，STRN)[4]、时空3D卷积神经网络（Spatiotemporal Convolutional Neural Network based on 3D-gradients，Spatiotemporal-3DCNN)[12]等经典方法以及栅格化长短期记忆网络（Lattice Long Short-Term Memory，Lattice LSTM)[19]、双流膨胀3D卷积神经网络（Two-stream Inflated 3D Convolutional Neural Network，Two-Stream I3D)[20]等近年来主流方法。表2中的实验结果表明，本文提出的基于紧耦合时空双流卷积的人体动作识别方法识别效果比上述主流方法更好，并将动作识别准确率在HMDB51数据集上提升了1.8个百分点，在UCF101数据集上提升了0.4个百分点。