| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题背景和意义 | 第10-12页 |
| 1.1.1 课题的背景 | 第10-11页 |
| 1.1.2 课题的意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文研究的主要内容 | 第14-16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 第二章 基于深度学习的视频语义概念检测研究概况 | 第17-31页 |
| 2.1 前馈神经网络 | 第18-20页 |
| 2.2 自动编码器 | 第20-22页 |
| 2.3 卷积神经网络 | 第22-28页 |
| 2.3.1 卷积 | 第22-27页 |
| 2.3.2 池化 | 第27-28页 |
| 2.4 基于深度学习的视频语义分析应用现状 | 第28-29页 |
| 2.5 视频语义概念检测研究难点 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于拓扑稀疏编码预训练CNN的视频语义分析 | 第31-49页 |
| 3.1 引言 | 第31-32页 |
| 3.2 稀疏自动编码器和拓扑稀疏编码 | 第32-34页 |
| 3.2.1 稀疏自动编码器 | 第32-33页 |
| 3.2.2 拓扑稀疏编码 | 第33-34页 |
| 3.3 基于拓扑稀疏编码预训练CNN的视频特征学习 | 第34-40页 |
| 3.3.1 基于新的拓扑稀疏编码预训练视频图像特征学习 | 第35-39页 |
| 3.3.2 视频特征优化学习 | 第39-40页 |
| 3.4 实验结果与分析 | 第40-47页 |
| 3.4.1 TRECVID2012数据集实验结果分析 | 第41-46页 |
| 3.4.2 UCF11数据集实验结果分析 | 第46-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 基于图正则化优化深度网络的视频语义分析 | 第49-62页 |
| 4.1 引言 | 第49-50页 |
| 4.2 基于图正则化自动编码器的特征学习 | 第50-52页 |
| 4.3 基于改进图正则化优化深度网络的视频特征学习方法 | 第52-54页 |
| 4.4 实验结果与分析 | 第54-60页 |
| 4.4.1 TRECVID2012数据集实验结果分析 | 第55-59页 |
| 4.4.2 UCF11数据集实验结果分析 | 第59-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第五章 视频语义分析原型系统设计与实现 | 第62-71页 |
| 5.1 引言 | 第62页 |
| 5.2 系统开发包库介绍 | 第62-63页 |
| 5.3 原型系统设计概况 | 第63-64页 |
| 5.4 视频语义分析原型系统的实现 | 第64-70页 |
| 5.4.1 模型训练 | 第65-68页 |
| 5.4.2 语义概念检测 | 第68-69页 |
| 5.4.3 视频播放 | 第69-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-74页 |
| 6.1 工作总结 | 第71-72页 |
| 6.2 后期工作展望 | 第72-74页 |
| 参考文献 | 第74-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士学位期间已发表的论文 | 第83页 |
