| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 选题背景及研究意义 | 第11-12页 |
| 1.2 动态纹理研究现状 | 第12-16页 |
| 1.2.1 基于线性系统模型的方法 | 第13-14页 |
| 1.2.2 基于光流的方法 | 第14页 |
| 1.2.3 基于时空局部二值模式的方法 | 第14-15页 |
| 1.2.4 基于小波变换的方法 | 第15-16页 |
| 1.3 动态纹理研究机构 | 第16页 |
| 1.4 本文主要研究内容 | 第16-17页 |
| 第2章 深度学习及其在视频分析中的应用 | 第17-27页 |
| 2.1 深度学习概述 | 第17-18页 |
| 2.2 典型深度学习网络模型 | 第18-24页 |
| 2.2.1 深度置信网络模型 | 第18-20页 |
| 2.2.2 多层降噪自动编码网络模型 | 第20-22页 |
| 2.2.3 卷积神经网络模型 | 第22-24页 |
| 2.3 视频分析中的深度学习 | 第24-26页 |
| 2.3.1 视频分析的难点 | 第24-25页 |
| 2.3.2 视频分析中深度学习的优势 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于多层降噪自动编码模型的慢特征分析法 | 第27-39页 |
| 3.1 慢特征分析法 | 第27-31页 |
| 3.1.1 慢特征的基本思想 | 第27-29页 |
| 3.1.2 慢特征的非线性求解 | 第29-31页 |
| 3.2 基于SDA的慢特征分析法 | 第31-32页 |
| 3.3 实验仿真结果 | 第32-38页 |
| 3.3.1 实验数据集及评估准则 | 第32-34页 |
| 3.3.2 实验结果与分析 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于三维卷积神经网络的动态纹理分类方法 | 第39-51页 |
| 4.1 三维卷积神经网络 | 第39-43页 |
| 4.1.1 二维卷积 | 第39-40页 |
| 4.1.2 三维卷积 | 第40-41页 |
| 4.1.3 三维卷积神经网络的架构 | 第41-43页 |
| 4.1.4 分类器的选择 | 第43页 |
| 4.2 三维卷积神经网络的监督训练 | 第43-46页 |
| 4.2.1 反向传播算法 | 第43-45页 |
| 4.2.2 卷积层的训练 | 第45-46页 |
| 4.2.3 下采样层的训练 | 第46页 |
| 4.3 基于 3D CNN的动态纹理分类方法流程图 | 第46-47页 |
| 4.4 实验 | 第47-50页 |
| 4.4.1 彩色视频图像的归一化 | 第47页 |
| 4.4.2 实验性能分析 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 森林防火监控系统的设计与实现 | 第51-63页 |
| 5.1 软件系统概述 | 第51-53页 |
| 5.1.1 软件设计目标 | 第51-52页 |
| 5.1.2 系统设计原则 | 第52页 |
| 5.1.3 软件开发环境 | 第52-53页 |
| 5.2 系统设计 | 第53-55页 |
| 5.2.1 系统结构 | 第53-54页 |
| 5.2.2 软件主要功能实现 | 第54-55页 |
| 5.3 软件应用技术 | 第55-60页 |
| 5.3.1 多线程技术 | 第55-57页 |
| 5.3.2 串口通信 | 第57-58页 |
| 5.3.3 VC++与Python混合编程 | 第58-60页 |
| 5.4 系统测试 | 第60-61页 |
| 5.5 本章小结 | 第61-63页 |
| 总结 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士研究生期间发表的学术论文 | 第69-71页 |
| 致谢 | 第71页 |