| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 课题背景 | 第8-9页 |
| 1.2 课题来源以及本文组织 | 第9-11页 |
| 第二章 相关技术研究 | 第11-28页 |
| 2.1 卷积神经网络的相关研究 | 第11-23页 |
| 2.1.1 卷积神经网络的分层 | 第12-16页 |
| 2.1.2 Softmax回归模型 | 第16-19页 |
| 2.1.3 循环神经网络RNN和长短期记忆网络LSTM | 第19-23页 |
| 2.2 基于CNN以及LSTM的视频语义分析研究综述 | 第23-27页 |
| 2.2.1 视频语义分析 | 第24页 |
| 2.2.2 有关CNN及LSTM的视频语义研究综述 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于CNN和LSTM视频分析系统总体设计 | 第28-35页 |
| 3.1 设计目标 | 第28-29页 |
| 3.1.1 系统功能需求 | 第28页 |
| 3.1.2 系统性能要求 | 第28-29页 |
| 3.2 系统总体设计 | 第29-33页 |
| 3.2.1 系统设计 | 第29-31页 |
| 3.2.2 系统处理流程 | 第31-33页 |
| 3.3 数据集选择 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于CNN改进的局部LBCNN的视频特征提取 | 第35-48页 |
| 4.1 基于混合神经网络的视频分析模型框架设计 | 第35-37页 |
| 4.2 基于CNN的视频特征提取 | 第37-39页 |
| 4.2.1 视频特征表达 | 第37页 |
| 4.2.2 基于CNN的视频特征提取过程 | 第37-39页 |
| 4.3 基于局部LBCNN的视频特征提取模型 | 第39-47页 |
| 4.3.1 LBCNN的建模过程 | 第40-42页 |
| 4.3.2 基于局部LBCNN的视频特征提取优化过程 | 第42-43页 |
| 4.3.3 旋转不变卷积神经网络框架 | 第43-44页 |
| 4.3.4 模型训练过程 | 第44-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于LSTM及Attention机制的视频分析模型 | 第48-62页 |
| 5.1 词向量特征表达 | 第48-51页 |
| 5.1.1 Skip-Gram模型 | 第49-51页 |
| 5.2 基于LSTM的自然语言生成过程 | 第51-53页 |
| 5.3 基于Attention机制优化的LSTM视频分析模型 | 第53-57页 |
| 5.3.1 Attention机制 | 第53-54页 |
| 5.3.2 基于Attention机制的LSTM视频分析模型的优化过程 | 第54-57页 |
| 5.4 实验结果与分析 | 第57-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 系统测试 | 第62-71页 |
| 6.1 系统环境 | 第62-63页 |
| 6.1.1 硬件环境 | 第62-63页 |
| 6.1.2 软件配置 | 第63页 |
| 6.2 系统搭建的步骤 | 第63-66页 |
| 6.3 系统功能测试 | 第66-70页 |
| 6.4 本章小结 | 第70-71页 |
| 第七章 总结和展望 | 第71-73页 |
| 7.1 总结 | 第71页 |
| 7.2 展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 附录1 攻读硕士学位期间申请的专利 | 第76-77页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第77-78页 |
| 致谢 | 第78页 |
