《表2 几种方法准确率对比结果》

  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

《基于时空融合卷积神经网络的异常行为识别》

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

其次，为了验证时空融合卷积神经网络在行为分类任务上更具有优势，我们将所提出的体系结构与几种相应的方法进行了比较。实验包括多分辨率卷积神经网络方法和双流卷积神经网络方法。Karpathy等[12]使用叠加视频帧作为输入，训练多分辨率CNN识别人类行为。用该方法在CASIA数据集实验的平均准确率达到79.9%。Koesdwiady等[13]提出了一种基线方法，他们训练了一个双流Alexnet，将双流结构与分数融合结合起来。我们在CASIA数据集上对该方法进行了测试，平均准确率达到84.2%。我们还比较了不同时空融合方法的性能，我们提出的双流卷积神经网络与时空融合的方法在CASIA行为数据集上进行比较，实验结果见表2。由表2中数据可得，本文所提方法与多分辨率方法、双流卷积神经网络（Alexnet）方法相比识别率更高。其中，中期融合的方法与多分辨率方法比较，准确率从79.9%提高到88.3%，提高了8.4%。中期融合的方法与基于Alexnet双流结构的方法比较，准确率从84.2%提高到88.3%，提高了4.1%。