基于深度学习的暴恐视频识别关键技术研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文的研究内容 | 第13-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第二章 相关工作 | 第16-26页 |
| 2.1 深度学习与卷积神经网络 | 第16-17页 |
| 2.2 生成对抗网络 | 第17-18页 |
| 2.3 RNN与LSTM | 第18-20页 |
| 2.4 相关基本技术方案 | 第20-23页 |
| 2.4.1 视频识别 | 第20-21页 |
| 2.4.2 多帧图像融合 | 第21-22页 |
| 2.4.3 图像风格迁移 | 第22-23页 |
| 2.5 人脸识别流程分析 | 第23-24页 |
| 2.6 指标介绍 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 第三章 暴恐视频场景识别 | 第26-34页 |
| 3.1 自建数据集 | 第26-27页 |
| 3.2 基于conv-LSTM的场景识别模型 | 第27-29页 |
| 3.2.1 时空特征提取 | 第27-28页 |
| 3.2.2 帧选逻辑 | 第28页 |
| 3.2.3 场景识别模型 | 第28-29页 |
| 3.3 实验及性能分析 | 第29-33页 |
| 3.3.1 帧选逻辑性能比较 | 第29-31页 |
| 3.3.2 帧量有效性实验 | 第31-32页 |
| 3.3.3 其他公开方法性能 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 暴恐视频中低质量人脸识别优化 | 第34-44页 |
| 4.1 问题说明 | 第34-36页 |
| 4.2 数据集及基本识别模型 | 第36页 |
| 4.3 特征优化 | 第36-39页 |
| 4.3.1 单帧方案 | 第37页 |
| 4.3.2 多帧方案 | 第37-38页 |
| 4.3.3 特征优化分析 | 第38-39页 |
| 4.4 图像优化 | 第39-42页 |
| 4.4.1 模型介绍 | 第39-41页 |
| 4.4.2 实验及性能分析 | 第41-42页 |
| 4.5 本章小结 | 第42-44页 |
| 第五章 暴恐人员的留底人脸扰动消除 | 第44-54页 |
| 5.1 数据集及基本识别模型 | 第44-45页 |
| 5.2 模型介绍 | 第45-48页 |
| 5.3 实验及性能分析 | 第48-51页 |
| 5.3.1 数据成对性实验 | 第48-50页 |
| 5.3.2 尺度固定性实验 | 第50-51页 |
| 5.4 本章小结 | 第51-54页 |
| 第六章 论文总结与展望 | 第54-58页 |
| 6.1 论文总结 | 第54-55页 |
| 6.1.1 暴恐场景识别 | 第54页 |
| 6.1.2 暴恐场景下的人脸识别优化 | 第54-55页 |
| 6.2 工作展望 | 第55-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62-64页 |
| 致谢 | 第64页 |
