本章针对目前人体行为识别中时序信息提取单一、模型泛化能力不足等问题，提

Þessi kafli leggur til fjölstraums taugakerfi fyrir núverandi viðurkenningu mannlegrar hegðunar hvað varðar einn tíma röð upplýsingaútdráttar og ófullnægjandi líkan alhæfingargetu. Meðal þeirra hefur fjölstraumur tvö hugtök. Einn vísar til margnota gagnainntak og er mælt með notkun RGB. Gögn, sjónflæðisgögn og stigsgögn; annað vísar til fjölnetkerfis, þar á meðal tvívítt taugakerfi sem snýr að athygli og tvöfalt taugakerfi byggt á leifar uppbygging til að hámarka meðan 'vinna upplýsingar um tíma og rými. <br>Í þessum kafla er fyrst kynnt margnota gagnainntak og fjölnetkerfi og síðan eru kynntar tvær vegnar samrunaaðferðir sem lagðar eru til í þessum kafla, byggðar á líkanþyngd og samrunaaðferðir byggðar á flokkamerkjum. Besta þyngdin er leituð með því að fara yfir þyngdarplássið og samsetning allra þyngda er dregin frá og þyngdinni er úthlutað til hvers flokks hvers líkans í samræmi við nákvæmni netlíkansins á staðfestingarsettinu. Eftir trommuna framkvæmir þessi kafli tilraunir á UCF101 gagnasettinu og HMDB51 gagnasettinu. Tilraunaniðurstöðurnar sýna að fjölstraums taugakerfi sem lagt er til í þessum kafla nær viðurkenningarnákvæmni 95,1% og 71,6%, í sömu röð, eftir vigt samruna, og reikniritið er alhliða Góð efnafræðileg geta, auðvelt að átta sig á virkni stækkunar nýrrar tegundar viðurkenningar á hegðun. <br>Byggingarferlið 3D CNN gerir sér grein fyrir þjálfun, prófun og útdrætti á netgögnum. Algoritmi fyrir atferlisgreiningu byggt á þrívíddarneti í þrívídd er að veruleika. Í fyrsta lagi er uppbygging C3D netsins kynnt, þar með talin rekstrarreglur þrívíddar þrívíddar og þrívíddar sameiningar og þjálfunarferli netlíkansins; í öðru lagi eru kynntar sérstakar meginreglur þrívíddarnetsins byggðar á hreyfibrautum, þar á meðal kynningin af þéttum sjónflæðisleiðum, byggðar á þrívíddarreglu þrívíddar hreyfibrautarinnar, svo og þjálfunarferli netlíkansins, þjálfunarárangri, að lokum er hegðunin að bera kennsl á núverandi gagnasett.

Í þessum kafla, fyrir núverandi mannlega hegðun viðurkenningu tíma röð upplýsingar útdráttur einn, líkan alhæfingar getu er ófullnægjandi, setja fram multi-flæði endurflæði taugakerfi, þar sem multi-flæði hefur tvö hugtök, einn vísar til multi-modal gagnainntak, lagt til notkun RGB gögn, sjónflæði gögn og blöndun gögn; Í öðru lagi, multi-net uppbyggingu, þar á meðal kynningu á athygli vélbúnaður tvívítt spólu taugakerfi og leifar uppbyggingu byggt á tvívítt spólu tauganet, til að hámarka á sama tíma 'þykkni rúm-tími upplýsingar.'<br> Þessi kafli kynnir fyrst fjölþætta gagnainntakið og fjölneta uppbygginguna og kynnir síðan tvær vegnar samrunaaðferðir sem lagðar eru til í þessum kafla, byggt á líkanaþyngd og tegundamynt. Leitaðu að ákjósanlegum lóðum með því að snúa aftur við sylgjueignarhaldi þyngdarrýmisins og gefa lóð byggða á hverjum flokki hvers líkans út frá nákvæmni netlíkansins á villuleitarstæðunni. Eftir trommuleik, Þessi kafli er framkvæmdur á UCF101 gagnasafni og HMDB51 gagnasafni og niðurstöður tilrauna sýna að fjölflæðissamræmi tauganetsins sem lagt er til í þessum kafla hefur náð 95,1% og 71,6% viðurkenningarnákvæmni í sömu röð eftir vegið samruna, og almenn geta þessa reiknirits er góð, og virkni nýrrar gerðar<br>Uppsett ferli CNN 3D CNN gerir þjálfun, prófanir og eiginleika útdrátt netgagna. A hegðun viðurkenningu reiknirit byggt á 3D spólu tauganet er að veruleika. Í fyrsta lagi er uppbygging C3D nets kynnt, þar á meðal rekstrarreglan um 3D co vöru og þrívíddarsamstyrjöld og þjálfunarferli netlíkans. Í öðru lagi kynnir blaðið sérstakar meginreglur þrívíddarnets sem byggir á hreyfibraut, þar á meðal kynningu á þéttum ljósflæðisbrautum, meginreglunni um þrívíddareldsneyti á grundvelli hreyfibrautar og þjálfunarferlis netlíkans og þjálfunarniðurstöðum. Að lokum er hegðunin kynnt til að auðkenna fyrirliggjandi gagnasöfn.