| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 引言 | 第10-22页 |
| 1.1 论文研究背景与研究意义 | 第10-11页 |
| 1.2 图像分类的研究现状与难点 | 第11-18页 |
| 1.2.1 基于传统研究方法的图像分类 | 第12-17页 |
| 1.2.2 基于深度学习研究方法的图像分类 | 第17-18页 |
| 1.3 视频拍摄时间判定研究的内容与难点 | 第18-19页 |
| 1.3.1 视频拍摄时间判定与分类研究的内容 | 第18-19页 |
| 1.3.2 视频拍摄时间判定研究的难点 | 第19页 |
| 1.4 论文的主要内容与结构安排 | 第19-20页 |
| 1.5 本章小节 | 第20-22页 |
| 第二章 卷积神经网络的图像分类方法概述 | 第22-30页 |
| 2.1 卷积神经网络的原理 | 第22-24页 |
| 2.2 卷积神经网络的结构 | 第24-26页 |
| 2.3 卷积神经网络的求解 | 第26-28页 |
| 2.4 卷积神经网络的训练过程 | 第28页 |
| 2.5 卷积神经网络的优缺点 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 分时数据库与天气数据库的设计与建立 | 第30-40页 |
| 3.1 建立按天气分类的图片数据库 | 第30页 |
| 3.2 建立分时数据库 | 第30-39页 |
| 3.2.1 基于opencv与Tesseract的OCR系统 | 第31-32页 |
| 3.2.2 图像裁剪 | 第32-33页 |
| 3.2.3 判定文字区域 | 第33-35页 |
| 3.2.4 基于Tesseract的文字OCR识别 | 第35-36页 |
| 3.2.5 数据标注 | 第36-37页 |
| 3.2.6 划分时段 | 第37-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 基于卷积神经网络的视频拍摄时间判定系统设计 | 第40-48页 |
| 4.1 视频拍摄时间判定分类系统结构 | 第40-41页 |
| 4.2 基于卷积神经网络的时间分类网络模型设计 | 第41-46页 |
| 4.2.1 时间判别网络模型设计 | 第41-43页 |
| 4.2.2 天气识别网络模型设计 | 第43-46页 |
| 4.3 本章小节 | 第46-48页 |
| 第五章 基于卷积神经网络的视频拍摄时间分类系统的实现 | 第48-56页 |
| 5.1 实验评价指标 | 第48页 |
| 5.2 时间分类网络模型实验 | 第48-50页 |
| 5.2.1 时间分类网络参数调整 | 第48-49页 |
| 5.2.2 实验结果与分析 | 第49-50页 |
| 5.3 天气分类网络模型实验 | 第50-51页 |
| 5.3.1 天气分类网络参数调整 | 第50-51页 |
| 5.3.2 实验结果与分析 | 第51页 |
| 5.4 时间分类网络与天气分类网络融合实验 | 第51-54页 |
| 5.4.1 融合策略 | 第52-53页 |
| 5.4.2 实验结果与分析 | 第53-54页 |
| 5.5 实验总结 | 第54页 |
| 5.6 本章小节 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56页 |
| 6.2 工作展望 | 第56-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60页 |
