基于机器学习的视频中的数字时钟识读的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 相关历史研究 | 第9-11页 |
| 1.2.1 视频中数字时钟识读的难点 | 第9-10页 |
| 1.2.2 机器学习应用研究的难点 | 第10-11页 |
| 1.3 本文主要工作及结构安排 | 第11-13页 |
| 第二章 人工神经网络 | 第13-20页 |
| 2.1 神经网络的基本特点 | 第13页 |
| 2.2 神经网络的结构演变 | 第13-18页 |
| 2.3 特殊的网络结构 | 第18-19页 |
| 2.4 深度学习在图像识别的优势 | 第19-20页 |
| 第三章 基于机器学习的数字时钟定位 | 第20-36页 |
| 3.1 视频中数字时钟定位的流程 | 第20-21页 |
| 3.2 时钟定位的难点问题 | 第21-22页 |
| 3.3 如何用机器学习解决问题 | 第22-23页 |
| 3.3.1 机器学习与“先验知识” | 第22页 |
| 3.3.2 机器学习与启发式函数 | 第22-23页 |
| 3.3.3 基于机器学习定位视频中时钟的实质 | 第23页 |
| 3.3.4 启发式函数的经验与借鉴 | 第23页 |
| 3.4 基于神经网络的系列实验 | 第23-32页 |
| 3.4.1 基于bp网络的秒前景点定位 | 第23-25页 |
| 3.4.2 基于bp网络的秒转换帧定位 | 第25页 |
| 3.4.3 基于预先抽取特征的改进 | 第25-27页 |
| 3.4.4 基于一维卷积的改进 | 第27页 |
| 3.4.5 上述实验存在问题的探讨 | 第27-30页 |
| 3.4.6 基于隐层共享方式的改进 | 第30-32页 |
| 3.5 基于svm的秒转换帧定位 | 第32-33页 |
| 3.6 本章实验总结 | 第33-34页 |
| 3.7 本章小结及展望 | 第34-36页 |
| 第四章 基于深度学习的数字时钟识读 | 第36-40页 |
| 4.1 数字时钟识读的难点问题 | 第36页 |
| 4.2 基于CNN的数字时钟识读 | 第36-39页 |
| 4.2.1 数字时钟识读流程 | 第36-37页 |
| 4.2.2 单个数字识别 | 第37-38页 |
| 4.2.3 系列数字识别 | 第38-39页 |
| 4.3 本章实验总结 | 第39页 |
| 4.4 本章小结及展望 | 第39-40页 |
| 第五章 总结与展望 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 攻读硕士期间发表的论文 | 第44-45页 |
| 致谢 | 第45页 |
