基于分布式深度學習系統(tǒng)的視頻動作識別.pdf

1、視頻動作識別是指視頻中人物動作的識別，它是解決視頻監(jiān)控、人機交互、視頻情感分析等問題的基礎，也是深度學習研究的熱門領域。隨著視頻動作識別需求的日益增長，如何構建一個高效快捷的大規(guī)模視頻動作識別框架、設計一個具有更好效果的視頻動作識別模型在現(xiàn)階段顯得尤為重要，而且這兩種情況至今都沒有統(tǒng)一的解決方案。針對以上的兩種問題，本文進行了深入的研究，實現(xiàn)了基于遠程GPU調(diào)用的分布式深度學習系統(tǒng)，提出了改進的視頻動作識別模型。最終利用分布式深度學習系

2、統(tǒng)訓練改進的視頻動作識別模型分別驗證兩者的可行性和有效性。本文的主要研究內(nèi)容如下:
　　1.利用API重定向的虛擬化方法構建遠程GPU調(diào)用，并在此基礎上實現(xiàn)深度神經(jīng)網(wǎng)絡的加速訓練。在ZeroMQ構建的分布式系統(tǒng)上實現(xiàn)多個GPU遠程調(diào)用，形成基于多個GPU遠程調(diào)用的分布式深度學習系統(tǒng)，并在深度學習庫cuDNN、P2P、網(wǎng)絡通信等方面實現(xiàn)改進。這種方法構建的分布式深度學習系統(tǒng)可以用來做大規(guī)模視頻動作識別框架，其最大的好處為單機多GPU

3、的代碼不需要修改或者只需要少量修改就可以實現(xiàn)快速的分布式拓展。
　　2.改進傳統(tǒng)的視頻動作方法，設計不需要手動設計特征的新模型iRCN。該模型利用全局的采樣特征，將視頻分成不同的時間階段進行圖片采樣。利用3D_CNN提取視頻每個階段的運動特征。然后利用biLSTM獲得所有運動特征在時間域上的相關性，最后把Softmax作為損失函數(shù)。最終iRCN模型在數(shù)據(jù)集UCF-101和HDMB-51上分別獲得85.6％和56.6％的正確率。這是

4、目前為止，在所有不借助手動設計特征的視頻動作識別方法中最高的正確率。
　　3.在分布式深度學習系統(tǒng)上可以實現(xiàn)數(shù)據(jù)并行和模型并行的快速分布式拓展。利用分布式深度學習系統(tǒng)對改進的視頻動作識別模型進行有效的訓練，訓練內(nèi)容主要包括兩個方面，分別為基于改進MapReduce的視頻特征提取和完整模型的分布式訓練。分布式深度學習系統(tǒng)可以有效的提高視頻特征的提取速度，實驗同時可以驗證分布式深度學習系統(tǒng)和改進視頻動作識別模型的可行性和有效性。最后利