對(duì)人體進(jìn)行姿態(tài)識(shí)別并在此基礎(chǔ)上實(shí)現(xiàn)人物動(dòng)畫(huà)生成,是計(jì)算機(jī)圖形學(xué)領(lǐng)域的重要研究?jī)?nèi)容,其首先以圖像作為輸入,提取其中的人體姿態(tài),并轉(zhuǎn)化為抽象的姿態(tài)數(shù)據(jù)結(jié)構(gòu),隨后以轉(zhuǎn)化得到的數(shù)據(jù)集為基礎(chǔ),在運(yùn)行時(shí)根據(jù)輸入產(chǎn)生需要的人物動(dòng)畫(huà)。在較低成本的設(shè)備上實(shí)現(xiàn)該目標(biāo)的傳統(tǒng)算法在精度上不盡人意,因此隨著深度學(xué)習(xí)技術(shù)的發(fā)展,越來(lái)越多的研究者開(kāi)始嘗試使用深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)這一任務(wù),然而該任務(wù)依然面臨精確度和速度等方面的挑戰(zhàn)。本文以深度學(xué)習(xí)實(shí)現(xiàn)姿態(tài)識(shí)別和人物動(dòng)畫(huà)生成為研究課題,并著重研究了如何構(gòu)筑合理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以達(dá)成高性能、高準(zhǔn)確度的目標(biāo),并進(jìn)一步闡述了如何在對(duì)運(yùn)行速度要求較高的動(dòng)畫(huà)生成部分進(jìn)行特定性加速。本文的主要?jiǎng)?chuàng)新體現(xiàn)在針對(duì)2D和3D姿態(tài)提取任務(wù)設(shè)計(jì)的2個(gè)全新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),以及對(duì)應(yīng)的面向GPU的加速方案。并通過(guò)和相關(guān)工作的比較,證實(shí)了本文所述設(shè)計(jì)的實(shí)際效果。本文的主要工作如下:1.基于深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的實(shí)時(shí)2D姿態(tài)識(shí)別系統(tǒng)。該系統(tǒng)能夠?qū)斎雸D像中的多人的姿態(tài)進(jìn)行識(shí)別,并輸出2D的標(biāo)記點(diǎn)。整個(gè)系統(tǒng)能夠在384的分辨率下在主流GPU上達(dá)到實(shí)時(shí)的運(yùn)行速度2.進(jìn)一步地,在2D姿態(tài)識(shí)別系統(tǒng)的設(shè)計(jì)思想基礎(chǔ)上,進(jìn)...

【文章頁(yè)數(shù)】：108 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-3ReLU激活函數(shù)

第二章基礎(chǔ)理論和相關(guān)技術(shù)112.1.1.2神經(jīng)網(wǎng)絡(luò)模型的數(shù)學(xué)推導(dǎo)圖2-2兩種主流激活函數(shù)的形態(tài)圖對(duì)于每個(gè)輸入與對(duì)應(yīng)權(quán)重的乘積，就是上述中從其他神經(jīng)元傳來(lái)的神經(jīng)沖動(dòng)，將他們求和，產(chǎn)生的結(jié)果如果超過(guò)閾值，即產(chǎn)生新的神經(jīng)沖動(dòng)，在數(shù)學(xué)上用激活函數(shù)來(lái)實(shí)現(xiàn)這個(gè)功能，常用的激活函數(shù)有sigmo....

圖2-2兩種主流激活函數(shù)的形態(tài)圖

第二章基礎(chǔ)理論和相關(guān)技術(shù)112.1.1.2神經(jīng)網(wǎng)絡(luò)模型的數(shù)學(xué)推導(dǎo)圖2-2兩種主流激活函數(shù)的形態(tài)圖對(duì)于每個(gè)輸入與對(duì)應(yīng)權(quán)重的乘積，就是上述中從其他神經(jīng)元傳來(lái)的神經(jīng)沖動(dòng)，將他們求和，產(chǎn)生的結(jié)果如果超過(guò)閾值，即產(chǎn)生新的神經(jīng)沖動(dòng)，在數(shù)學(xué)上用激活函數(shù)來(lái)實(shí)現(xiàn)這個(gè)功能，常用的激活函數(shù)有sigmo....

圖2-4LeakyReLU激活函數(shù)

電子科技大學(xué)碩士學(xué)位論文12ReLU做簡(jiǎn)單的介紹，并闡述采用該函數(shù)的理論依據(jù)。如上圖所示，線(xiàn)性整流函數(shù)ReLU（RectifiedLinearUnit），是深度學(xué)習(xí)領(lǐng)域最具代表性的激活函數(shù)之一，它具有加速網(wǎng)絡(luò)收斂，緩解梯度消失的作用。采用ReLU而不采用傳統(tǒng)的激活函數(shù)如Sigmo....

圖2-5AlexNet卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

明是提高卷積神經(jīng)網(wǎng)絡(luò)精度，降低其復(fù)雜度的重要手段。2.1.3著名的深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)近年來(lái)，由于卷積神經(jīng)網(wǎng)絡(luò)帶來(lái)的巨大影響，各領(lǐng)域的研究者都對(duì)卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展進(jìn)行了大量的精力投入，與之想對(duì)應(yīng)的是各種優(yōu)秀神經(jīng)網(wǎng)絡(luò)架構(gòu)的產(chǎn)生與大量使用。在吸取了一系列現(xiàn)有的優(yōu)秀神經(jīng)網(wǎng)絡(luò)架構(gòu)....

本文編號(hào)：3984957