基于深度模型的慢变视觉特征学习算法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 视觉特征提取 | 第9-10页 |
| 1.2.2 鲁棒哈希 | 第10-13页 |
| 1.3 本文内容 | 第13-14页 |
| 第二章 视觉特征学习模型 | 第14-28页 |
| 2.1 稀疏表达模型 | 第14-19页 |
| 2.1.1 稀疏编码 | 第14-15页 |
| 2.1.2 字典学习 | 第15-17页 |
| 2.1.3 稀疏性度量 | 第17-19页 |
| 2.2 深度神经网络 | 第19-25页 |
| 2.2.1 自编码 | 第20-22页 |
| 2.2.2 卷积神经网络 | 第22-23页 |
| 2.2.3 循环神经网络 | 第23-25页 |
| 2.3 慢变特征分析 | 第25-28页 |
| 第三章 基于多层组稀疏编码的图像哈希算法 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 组稀疏编码 | 第28-31页 |
| 3.3 字典学习 | 第31-33页 |
| 3.4 多层图像哈希模型 | 第33-34页 |
| 3.5 基于卷积神经网络的图像哈希算法 | 第34-36页 |
| 3.5.1 基于卷积自编码器的图像哈希算法 | 第34-36页 |
| 3.5.2 基于AlexNet的图像哈希算法 | 第36页 |
| 3.6 实验结果及分析 | 第36-40页 |
| 3.6.1 与经典哈希算法对比 | 第37-39页 |
| 3.6.2 与基于卷积神经网络的哈希算法对比 | 第39-40页 |
| 3.7 总结 | 第40-42页 |
| 第四章 基于时空深度神经网络的视频哈希算法 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 空间特征提取 | 第42-45页 |
| 4.3 时序特征提取 | 第45-48页 |
| 4.3.1 预训练 | 第45-47页 |
| 4.3.2 微调 | 第47-48页 |
| 4.4 实验结果及分析 | 第48-50页 |
| 4.5 结论 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 未来工作展望 | 第53-54页 |
| 参考文献 | 第54-62页 |
| 发表论文和参加科研情况说明 | 第62-64页 |
| 致谢 | 第64页 |
