| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 视频帧之间的相似性度量 | 第11-12页 |
| 1.2.2 视频分段技术 | 第12-13页 |
| 1.3 研究目标和所做的工作 | 第13-14页 |
| 1.4 论文的组织结构 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 视频内容分析与度量的底层基础 | 第15-26页 |
| 2.1 图像的特征表征 | 第15-20页 |
| 2.1.1 Fisher Vector特征 | 第17-18页 |
| 2.1.2 局部聚合特征向量VLAD | 第18-19页 |
| 2.1.3 深度卷积神经网络特征CNN | 第19-20页 |
| 2.2 图像的显著性检测 | 第20-22页 |
| 2.3 图像的目标识别 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 3 基于距离分布信息的相似度估计提升方法 | 第26-38页 |
| 3.1 引言 | 第26-27页 |
| 3.2 挖掘图像的距离分布信息 | 第27-29页 |
| 3.3 基于距离分布信息的相似度估计提升算法 | 第29-32页 |
| 3.3.1 表征图像的距离分布信息 | 第30-31页 |
| 3.3.2 提升相似度估计 | 第31-32页 |
| 3.4 实验结果及分析 | 第32-37页 |
| 3.4.1 算法性能评估 | 第33-35页 |
| 3.4.2 算法时间消耗 | 第35-36页 |
| 3.4.3 大规模图像检索实验 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 基于显著图和目标识别的视频场景分段 | 第38-50页 |
| 4.1 引言 | 第38-39页 |
| 4.2 简化版视频场景定义 | 第39-40页 |
| 4.3 基于显著图和目标识别的视频场景分段算法 | 第40-44页 |
| 4.3.1 粗分段 | 第41-42页 |
| 4.3.2 细分段 | 第42-44页 |
| 4.4 实验结果及分析 | 第44-48页 |
| 4.4.1 实验设置 | 第44-45页 |
| 4.4.2 教育类和新闻类视频的结果评价 | 第45-46页 |
| 4.4.3 电子竞技类、电影类和体育类视频的结果评价 | 第46-48页 |
| 4.5 本章小结 | 第48-50页 |
| 5 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第55-57页 |
| 学位论文数据集 | 第57页 |