基于卷积自编码器的异常事件检测研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.3 本文主要研究内容 | 第18-19页 |
| 1.4 本文的组织结构 | 第19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 相关工作 | 第20-31页 |
| 2.1 卷积神经网络 | 第20-22页 |
| 2.1.1 卷积层 | 第20页 |
| 2.1.2 激活层 | 第20-21页 |
| 2.1.3 池化层 | 第21页 |
| 2.1.4 反卷积层 | 第21页 |
| 2.1.5 反池化层 | 第21-22页 |
| 2.1.6 感受野 | 第22页 |
| 2.2 异常检测方法 | 第22-26页 |
| 2.2.1 基于深度学习的异常检测方法 | 第23-25页 |
| 2.2.2 传统异常检测方法 | 第25-26页 |
| 2.3 拥挤人群中的异常事件检测 | 第26-30页 |
| 2.3.1 基于传统手工特征的方法 | 第27-28页 |
| 2.3.2 基于深度学习的方法 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于重构预测损失的异常检测方法 | 第31-44页 |
| 3.1 算法概述 | 第32-37页 |
| 3.1.1 算法流程 | 第33页 |
| 3.1.2 模型结构 | 第33-36页 |
| 3.1.3 数据增强 | 第36-37页 |
| 3.2 实验 | 第37-43页 |
| 3.2.1 数据集 | 第37页 |
| 3.2.2 实验设置 | 第37-39页 |
| 3.2.3 实验结果 | 第39-43页 |
| 3.3 本章总结 | 第43-44页 |
| 第4章 基于单分类向量机的异常检测方法 | 第44-55页 |
| 4.1 算法概述 | 第44-50页 |
| 4.1.1 算法流程 | 第45-46页 |
| 4.1.2 模型结构 | 第46-50页 |
| 4.2 实验 | 第50-52页 |
| 4.2.1 数据集 | 第50页 |
| 4.2.2 实验设置 | 第50-51页 |
| 4.2.3 实验结果 | 第51-52页 |
| 4.3 本章小结 | 第52-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 未来研究工作 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间的主要研究成果 | 第62-63页 |
| 致谢 | 第63页 |
