首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于深度学习的监控视频中的异常事件检测和对象识别

摘要第5-7页
ABSTRACT第7-8页
第1章 绪论第15-21页
    1.1 研究背景及意义第15-16页
    1.2 关键问题描述第16-17页
    1.3 本论文主要工作及创新点第17-18页
    1.4 本论文组织与结构第18-21页
第2章 相关研究方法第21-43页
    2.1 深度学习方法第21-28页
        2.1.1 深度学习的发展历史和基本概念第21-22页
        2.1.2 反向传播算法第22-25页
        2.1.3 自编码器第25-26页
        2.1.4 卷积神经网络第26-28页
    2.2 异常事件检测方法第28-30页
    2.3 人脸识别方法第30-37页
        2.3.1 特征提取方法第31-32页
        2.3.2 分类方法第32-34页
        2.3.3 异构人脸识别第34-37页
    2.4 行人重识别方法第37-43页
        2.4.1 基于手工特征的行人重识别方法第37-39页
        2.4.2 基于语义特征的行人重识别方法第39-40页
        2.4.3 基于深度学习的行人重识别方法第40-41页
        2.4.4 基于度量学习的行人重识别方法第41-43页
第3章 基于自适应多自编码器的异常事件检测方法第43-53页
    3.1 问题描述第43-45页
    3.2 基于自适应多自编码器深度网络模型第45-48页
        3.2.1 算法流程第46-47页
        3.2.2 异常事件检测方法第47-48页
    3.3 实验结果与分析第48-51页
        3.3.1 实验设置第48页
        3.3.2 实验结果第48-50页
        3.3.3 复杂度分析第50-51页
    3.4 本章小结第51-53页
第4章 基于PCANet的异常事件检测方法第53-63页
    4.1 问题描述第53-54页
    4.2 基于PCANet的异常事件检测方法第54-59页
        4.2.1 算法流程第54-55页
        4.2.2 主成分分析第55-57页
        4.2.3 PCANet网络模型第57-59页
        4.2.4 异常事件检测方法第59页
    4.3 实验结果与分析第59-62页
        4.3.1 实验设置与结果第60-62页
    4.4 本章小结第62-63页
第5章 基于卷积神经网络的高低分辨率人脸识别方法第63-77页
    5.1 问题描述第64-65页
    5.2 基于归一化输入的卷积神经网络模型第65-69页
        5.2.1 模型结构和算法流程第65-66页
        5.2.2 训练过程第66-67页
        5.2.3 距离度量第67页
        5.2.4 实验结果与分析第67-69页
    5.3 基于特征回归的卷积神经网络模型第69-73页
        5.3.1 算法流程第69-71页
        5.3.2 训练和测试第71-72页
        5.3.3 实验结果与分析第72-73页
    5.4 本章小结第73-77页
第6章 基于深度匹配模型的行人重识别方法第77-89页
    6.1 问题描述第77-78页
    6.2 基于深度匹配模型的网络结构第78-82页
        6.2.1 分类模型第78-79页
        6.2.2 多尺度匹配模型第79-81页
        6.2.3 训练和测试第81-82页
    6.3 实验结果与分析第82-87页
        6.3.1 CUHK01数据集上的实验结果第82-84页
        6.3.2 CUHK03数据集上的实验结果第84-85页
        6.3.3 Market-1501数据集上的实验结果第85-87页
    6.4 本章小结第87-89页
第7章 基于注意力池化的行人重识别方法第89-99页
    7.1 问题描述第89-91页
    7.2 基于注意力池化的深度网络结构第91-94页
        7.2.1 全局分支第91-92页
        7.2.2 注意力分支第92-93页
        7.2.3 模型训练和测试第93-94页
    7.3 实验结果与分析第94-96页
    7.4 本章小结第96-99页
第8章 工作总结与展望第99-103页
    8.1 工作总结第99-100页
    8.2 工作展望第100-103页
参考文献第103-115页
致谢第115-117页
在读期间发表的学术论文与取得的研究成果第117-118页

论文共118页,点击 下载论文
上一篇:基于深度学习和海云协同的推荐方法研究
下一篇:带有执行器故障的多智能体系统一致性问题研究