對人體進行姿態(tài)識別并在此基礎上實現(xiàn)人物動畫生成,是計算機圖形學領域的重要研究內(nèi)容,其首先以圖像作為輸入,提取其中的人體姿態(tài),并轉化為抽象的姿態(tài)數(shù)據(jù)結構,隨后以轉化得到的數(shù)據(jù)集為基礎,在運行時根據(jù)輸入產(chǎn)生需要的人物動畫。在較低成本的設備上實現(xiàn)該目標的傳統(tǒng)算法在精度上不盡人意,因此隨著深度學習技術的發(fā)展,越來越多的研究者開始嘗試使用深度神經(jīng)網(wǎng)絡實現(xiàn)這一任務,然而該任務依然面臨精確度和速度等方面的挑戰(zhàn)。本文以深度學習實現(xiàn)姿態(tài)識別和人物動畫生成為研究課題,并著重研究了如何構筑合理的神經(jīng)網(wǎng)絡結構以達成高性能、高準確度的目標,并進一步闡述了如何在對運行速度要求較高的動畫生成部分進行特定性加速。本文的主要創(chuàng)新體現(xiàn)在針對2D和3D姿態(tài)提取任務設計的2個全新的神經(jīng)網(wǎng)絡結構,以及對應的面向GPU的加速方案。并通過和相關工作的比較,證實了本文所述設計的實際效果。本文的主要工作如下:1.基于深度卷積神經(jīng)網(wǎng)絡實現(xiàn)的實時2D姿態(tài)識別系統(tǒng)。該系統(tǒng)能夠?qū)斎雸D像中的多人的姿態(tài)進行識別,并輸出2D的標記點。整個系統(tǒng)能夠在384的分辨率下在主流GPU上達到實時的運行速度2.進一步地,在2D姿態(tài)識別系統(tǒng)的設計思想基礎上,進...

【文章頁數(shù)】：108 頁

【學位級別】：碩士

【部分圖文】：

圖2-3ReLU激活函數(shù)

第二章基礎理論和相關技術112.1.1.2神經(jīng)網(wǎng)絡模型的數(shù)學推導圖2-2兩種主流激活函數(shù)的形態(tài)圖對于每個輸入與對應權重的乘積，就是上述中從其他神經(jīng)元傳來的神經(jīng)沖動，將他們求和，產(chǎn)生的結果如果超過閾值，即產(chǎn)生新的神經(jīng)沖動，在數(shù)學上用激活函數(shù)來實現(xiàn)這個功能，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

第二章基礎理論和相關技術112.1.1.2神經(jīng)網(wǎng)絡模型的數(shù)學推導圖2-2兩種主流激活函數(shù)的形態(tài)圖對于每個輸入與對應權重的乘積，就是上述中從其他神經(jīng)元傳來的神經(jīng)沖動，將他們求和，產(chǎn)生的結果如果超過閾值，即產(chǎn)生新的神經(jīng)沖動，在數(shù)學上用激活函數(shù)來實現(xiàn)這個功能，常用的激活函數(shù)有sigmo....

圖2-4LeakyReLU激活函數(shù)

電子科技大學碩士學位論文12ReLU做簡單的介紹，并闡述采用該函數(shù)的理論依據(jù)。如上圖所示，線性整流函數(shù)ReLU（RectifiedLinearUnit），是深度學習領域最具代表性的激活函數(shù)之一，它具有加速網(wǎng)絡收斂，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)絡的結構

明是提高卷積神經(jīng)網(wǎng)絡精度，降低其復雜度的重要手段。2.1.3著名的深度卷積神經(jīng)網(wǎng)絡結構近年來，由于卷積神經(jīng)網(wǎng)絡帶來的巨大影響，各領域的研究者都對卷積神經(jīng)網(wǎng)絡的發(fā)展進行了大量的精力投入，與之想對應的是各種優(yōu)秀神經(jīng)網(wǎng)絡架構的產(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)絡架構....

本文編號：3984957