| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 主题模型的研究现状 | 第12-13页 |
| 1.2.2 动态场景分类的研究现状 | 第13-14页 |
| 1.3 目前存在的主要问题 | 第14-17页 |
| 1.4 本文的主要工作以及创新点 | 第17-18页 |
| 1.5 本文的组织结构 | 第18-20页 |
| 第二章 TMBP 主题模型及其扩展 | 第20-34页 |
| 2.1 传统的 LDA 模型分析 | 第20-22页 |
| 2.2 基于因子图的 TMBP 模型分析 | 第22-26页 |
| 2.2.1 因子图表示 | 第22-24页 |
| 2.2.2 BP 算法 | 第24-26页 |
| 2.3 融合单词先验的 TMBP 模型 | 第26-30页 |
| 2.3.1 单词先验的计算 | 第27-28页 |
| 2.3.2 扩展的 Knowledge-TMBP 模型 | 第28-30页 |
| 2.4 实验分析 | 第30-33页 |
| 2.4.1 实验环境以及数据集 | 第30-31页 |
| 2.4.2 实验结果分析和比较 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于 SIFT 流的动态场景描述 | 第34-46页 |
| 3.1 场景描述的研究现状 | 第34页 |
| 3.2 基本的场景描述 | 第34-35页 |
| 3.3 基于 SIFT 流的动态场景特征提取 | 第35-39页 |
| 3.3.1 基本原理 | 第35-38页 |
| 3.3.2 SIFT 流场图的可视化 | 第38-39页 |
| 3.4 基于 SIFT 流的视觉单词生成 | 第39-42页 |
| 3.4.1 SIFT 流特征量化 | 第39-41页 |
| 3.4.2 K-means 聚类 | 第41-42页 |
| 3.5 实验分析 | 第42-45页 |
| 3.5.1 实验数据集 | 第42-43页 |
| 3.5.2 实验结果分析 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 动态场景分类的实现 | 第46-53页 |
| 4.1 整体框架 | 第46-47页 |
| 4.2 实验流程 | 第47-48页 |
| 4.3 实验结果分析 | 第48-52页 |
| 4.3.1 测试数据集与实验环境 | 第48页 |
| 4.3.2 结果分析和比较 | 第48-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 总结和展望 | 第53-55页 |
| 5.1 论文工作总结 | 第53-54页 |
| 5.2 未来工作展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读学位期间公开发表的论文 | 第59-60页 |
| 致谢 | 第60-61页 |