目前行为识别发展迅速，许多基于深度网络自动学习特征的行为识别算法被提出。深度学习方法需要大量数据来训练，对电脑存储、运算能力要求较高。在回顾了当下流行的基于深度网络的行为识别方法的基础上，着重综述了基于手动提取特征的传统行为识别方法。传统行为识别方法通常遵循对视频提取特征并进行建模和预测分类的流程，并将识别流程细分为以下几个步骤进行综述：特征采样、特征描述符选取、特征预/后处理、描述符聚类、向量编码。同时，还对评价算法性能的基准数据集进行了归纳总结。

针对视频序列中的几种异常行为,构建训练模型,对其进行识别。使用卷积神经网络(CNN)进行特征提取并采用Adam算法(一种基于梯度的优化算法)进行优化。引入自适应池化层,筛选出判别的特征信息,减轻网络的计算量,加快识别视频序列中存在的异常行为。使用Adam算法对模型进行优化后,识别率可以达到87.6%,引入自适应池化层后,识别率可以达到91.9%。该卷积神经网络对视频序列中基本的异常行为的检测效果比改进的轨迹跟踪(iDT)和双流网络更快更准确;相较于时间分割网络(TSN)和时间关系网络(TRN),识别的准确率稍低,但是识别的速度更快。

DeepChart：根据代码自动生成深度网络结构图

我们通过提出可切换归一化（SN）来解决学习归一化问题，SN学习为深度神经网络的不同归一化层选择不同的归一化器。SN使用三个不同的作用域来计算统计信息（均值和方差），包括一个通道、一个层和一个小批量。SN通过端到端地学习它们的重要性权重来在它们之间进行切换。它有几个好的特性。首先，它适应各种网络架构和任务（见图1）。其次，它对大范围的批处理大小具有鲁棒性，即使在呈现小的小批处理（例如2个图像/GPU）时也能保持高性能。第三，SN没有敏感的超参数，这与将组数作为超参数搜索的组规范化不同。如果没有钟声和哨声，snoutperformsitsconterparts可以参与各种具有挑战性的基准测试，如ImageNet、COCO、CityScapes、ADE20K和dynamics。文中还介绍了对声纳的分析。我们希望这将有助于减轻使用和理解规范化技术在深度学习。序列号代码已于年发布https://github.com/switchablenorms/.

SSPSR-Pytorch 论文： : （IEEE Xplore） （arXiv） 学习空间光谱先验以实现超光谱影像的超分辨率 在本文中，我们引入了空间光谱先验网络（SSPN），以充分利用空间信息和高光谱数据的光谱之间的相关性。 考虑到高光谱训练样本稀少且高光谱图像数据的光谱维数很高，因此训练稳定有效的深度网络并非易事。 因此，提出了一种组卷积（具有共享的网络参数）和渐进式上采样框架。 这不仅减轻了由于高光谱数据的高维而导致的特征提取的困难，而且使训练过程更加稳定。 为了利用空间和光谱先验，我们设计了一个空间光谱块（SSB），它由一个空间残差模块和一个光谱注意残差模块组成。 网络架构 拟议的SSPSR网络的整体网络架构 空间光谱块（SSB）的网络架构 结果 筑西数据集 Chikusei数据集上不同方法的平均定量比较。 帕维亚数据集 Pavia Center数据集上不同方法的平均

近年来，自动学习特征的深度学习方法在视频行为识别领域中不断被挖掘探索。在总结了常用的行为识别数据集的基础上，对传统的行为识别方法以及深度学习的相关基础原理进行了概述，着重对基于不同输入内容与不同深度网络的行为识别方法进行了较为全面、系统性的总结、对比与分析。最后，对深度学习在行为识别领域的发展做了总结并展望了未来的发展趋势。

是博客https://blog.csdn.net/qq_35759272/article/details/109252165（2020研究生数学建模——大雾能见度估计与预测（E题）AlexNet深度网络解法）文章对应的程序。需要配合我之前上传的视频截图文件，可以在我的上传文件里下载，注意：此程序是在MATLAB2020a上运行，低版本的MATLAB运行不了，安装完MATALB2020a之后要安装alexnet.mlpkginstall文件，具体怎么安装看博客链接

多域多任务传输深度网络的预测用户点击功能识别图像

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。

近些年来，人工智能领域又活跃起来，除了传统了学术圈外，Google、Microsoft、facebook等工业界优秀企业也纷纷成立相关研究团队，并取得了很多令人瞩目的成果。这要归功于社交网络用户产生的大量数据，这些数据大都是原始数据，需要被进一步分析处理;还要归功于廉价而又强大的计算资源的出现，比如GPGPU的快速发展。除去这些因素，AI尤其是机器学习领域出现的一股新潮流很大程度上推动了这次复兴——深度学习。本文中我将介绍深度学习背后的关键概念及算法，从最简单的元素开始并以此为基础进行下一步构建。如果你不太熟悉相关知识，通常的机器学习过程如下：1、机器学习算法需要输入少量标记好的样本，比如10