面向视频压缩域的实时目标识别技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-18页 |
| 1.1 背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 论文结构 | 第17-18页 |
| 2 深度学习与视频压缩 | 第18-29页 |
| 2.1 深度学习相关理论 | 第18-26页 |
| 2.1.1 深度学习 | 第18-19页 |
| 2.1.2 卷积神经网络 | 第19-23页 |
| 2.1.3 长短期记忆网络 | 第23-24页 |
| 2.1.4 深度学习模型的激活函数 | 第24-26页 |
| 2.2 视频压缩技术 | 第26-28页 |
| 2.2.1 视频压缩原理 | 第26页 |
| 2.2.2 视频压缩结构 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 视频压缩域的运动矢量图构建方法 | 第29-40页 |
| 3.1 视频压缩域数据分析 | 第29-30页 |
| 3.1.1 运动矢量 | 第29-30页 |
| 3.1.2 DCT系数 | 第30页 |
| 3.1.3 量化参数 | 第30页 |
| 3.2 运动矢量图构建 | 第30-32页 |
| 3.2.1 运动矢量的提取 | 第31-32页 |
| 3.2.2 运动矢量图的二值化 | 第32页 |
| 3.3 运动矢量图的表示形式及其分析 | 第32-39页 |
| 3.3.1 运动矢量图的表示形式 | 第32-33页 |
| 3.3.2 应用分析 | 第33-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 面向运动矢量图的深度神经网络模型 | 第40-50页 |
| 4.1 面向运动矢量图的空间特征提取网络模型 | 第40-44页 |
| 4.1.1 MS-CNN网络设计 | 第40-42页 |
| 4.1.2 MS-CNN损失函数和优化算法 | 第42-44页 |
| 4.2 面向运动矢量图的时序特征提取网络模型 | 第44-49页 |
| 4.2.1 MT-LSTM网络设计 | 第44-48页 |
| 4.2.2 MT-LSTM损失函数和优化算法 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 5 面向视频压缩域的目标实时识别 | 第50-55页 |
| 5.1 视频压缩域目标识别问题 | 第50页 |
| 5.2 面向视频压缩域的识别方法 | 第50-54页 |
| 5.2.1 识别方法 | 第50-51页 |
| 5.2.2 实验结果及分析 | 第51-54页 |
| 5.3 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第60-61页 |
| 致谢 | 第61页 |
