深度学习在视频帧间补偿中的研究与应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 课题研究的背景及意义 | 第12-13页 |
| 1.2 课题在国内外的发展现状与趋势 | 第13-14页 |
| 1.3 论文的研究内容及目标 | 第14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 融合通信系统概述 | 第16-21页 |
| 2.1 融合通信简介 | 第16页 |
| 2.2 融合通信系统概述 | 第16-19页 |
| 2.2.1 系统架构 | 第16-18页 |
| 2.2.2 应用场景 | 第18-19页 |
| 2.2.3 存在的问题 | 第19页 |
| 2.3 图像重建与深度学习结合 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 深度学习与图像识别的研究 | 第21-49页 |
| 3.1 神经网络 | 第21-31页 |
| 3.1.1 神经元模型 | 第21-24页 |
| 3.1.2 网络结构 | 第24-29页 |
| 3.1.3 卷积神经网络 | 第29-30页 |
| 3.1.4 TensorFlow深度学习框架 | 第30-31页 |
| 3.2 图像识别算法改进 | 第31-41页 |
| 3.2.1 卷积层 | 第33-35页 |
| 3.2.2 激活函数层 | 第35-39页 |
| 3.2.3 池化层 | 第39-40页 |
| 3.2.4 全连接层 | 第40-41页 |
| 3.3 实验结果与分析 | 第41-47页 |
| 3.3.1 实验环境配置 | 第41-42页 |
| 3.3.2 基于MNISTS数据集实验与分析 | 第42-44页 |
| 3.3.3 基于CIFAR-10数据集实验与分析 | 第44-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第4章 视频的编解码技术研究 | 第49-59页 |
| 4.1 视频编解码 | 第49-51页 |
| 4.1.1 视频编解码的概述 | 第49页 |
| 4.1.2 H.264视频编解码的基本原理 | 第49-51页 |
| 4.2 基于深度学习的视频单帧重建算法 | 第51-53页 |
| 4.2.1 卷积处理视频帧 | 第51-52页 |
| 4.2.2 视频帧重建 | 第52-53页 |
| 4.2.3 计算损失 | 第53页 |
| 4.3 实验结果与分析 | 第53-58页 |
| 4.3.1 实验环境配置 | 第53页 |
| 4.3.2 训练模型 | 第53-54页 |
| 4.3.3 实验结果 | 第54-55页 |
| 4.3.4 结果对比与分析 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 神经网络在视频帧间补偿中的应用 | 第59-72页 |
| 5.1 视频帧间补偿处理框架 | 第59-60页 |
| 5.2 视频预处理 | 第60-61页 |
| 5.3 视频帧运动补偿的卷积神经网络实现 | 第61-65页 |
| 5.3.1 特征提取模块 | 第62-63页 |
| 5.3.2 视频帧运动补偿 | 第63页 |
| 5.3.3 损失函数 | 第63-65页 |
| 5.4 实验结果与分析 | 第65-71页 |
| 5.4.1 实验环境配置 | 第65页 |
| 5.4.2 训练卷积神经网络模型 | 第65-67页 |
| 5.4.3 实验结果 | 第67-68页 |
| 5.4.4 结果对比与分析 | 第68-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第6章 结论与展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第80页 |
