复杂场景中监控视频事件检测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 相关领域研究现状 | 第11-13页 |
| 1.2.1 行人检测 | 第11-12页 |
| 1.2.2 事件检测 | 第12-13页 |
| 1.2.3 多GPU并行优化 | 第13页 |
| 1.3 论文研究成果 | 第13-14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 基于CNN的行人头肩检测 | 第16-31页 |
| 2.1 引言 | 第16-17页 |
| 2.2 卷积神经网络(CNN) | 第17-20页 |
| 2.2.1 历史 | 第17-18页 |
| 2.2.2 结构 | 第18-19页 |
| 2.2.3 特性 | 第19页 |
| 2.2.4 训练 | 第19-20页 |
| 2.3 检测算法评价 | 第20-22页 |
| 2.3.1 IoU | 第20-21页 |
| 2.3.2 FPPW与FPPI | 第21页 |
| 2.3.3 M R | 第21-22页 |
| 2.4 行人检测 | 第22-23页 |
| 2.4.1 主要事迹 | 第22页 |
| 2.4.2 常用数据集 | 第22-23页 |
| 2.4.3 主要方法 | 第23页 |
| 2.5 SED-PD行人检测库 | 第23-24页 |
| 2.6 基于CNN的行人头肩检测算法 | 第24-26页 |
| 2.6.1 检测流程 | 第24-25页 |
| 2.6.2 网络架构 | 第25-26页 |
| 2.6.3 训练细节 | 第26页 |
| 2.7 实验与结果分析 | 第26-29页 |
| 2.7.1 实验细节 | 第26-27页 |
| 2.7.2 部件比较 | 第27页 |
| 2.7.3 方法比较 | 第27-29页 |
| 2.7.4 时间效率 | 第29页 |
| 2.8 本章小结 | 第29-31页 |
| 第三章 监控视频中的事件检测算法 | 第31-48页 |
| 3.1 引言 | 第31-32页 |
| 3.2 事件检测 | 第32-38页 |
| 3.2.1 动作识别库 | 第33-34页 |
| 3.2.2 传统的动作识别 | 第34-36页 |
| 3.2.3 基于深度学习的动作识别 | 第36-37页 |
| 3.2.4 事件检测 | 第37-38页 |
| 3.3 基于视频时空域信息的动作识别 | 第38-42页 |
| 3.3.1 空间流网络 | 第38页 |
| 3.3.2 时间流网络 | 第38-39页 |
| 3.3.3 时空域信息的动作识别 | 第39-40页 |
| 3.3.4 实验细节 | 第40页 |
| 3.3.5 实验结果分析 | 第40-42页 |
| 3.4 基于关键姿态的事件检测 | 第42-47页 |
| 3.4.1 TRECVID SED任务 | 第43-44页 |
| 3.4.2 关键姿态识别 | 第44页 |
| 3.4.3 事件融合 | 第44-46页 |
| 3.4.4 人机交互 | 第46页 |
| 3.4.5 实验结果分析 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 CNN算法的多GPU并行优化 | 第48-61页 |
| 4.1 引言 | 第48-49页 |
| 4.2 GPU并行计算 | 第49-53页 |
| 4.2.1 GPU简介 | 第50-51页 |
| 4.2.2 CUDA简介 | 第51页 |
| 4.2.3 GPU并行计算 | 第51-53页 |
| 4.3 异步随机梯度下降算法 | 第53-56页 |
| 4.3.1 梯度下降算法 | 第53-54页 |
| 4.3.2 异步随机梯度下降算法(ASGD) | 第54-56页 |
| 4.3.3 无约束的异步随机梯度下降算法 | 第56页 |
| 4.4 实验与结果分析 | 第56-60页 |
| 4.4.1 实验细节 | 第56页 |
| 4.4.2 数据集 | 第56-57页 |
| 4.4.3 小模型实验 | 第57-59页 |
| 4.4.4 大模型实验 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-64页 |
| 5.1 本文总结 | 第61-62页 |
| 5.2 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-71页 |
| 致谢 | 第71-72页 |
| 攻读学位期间发表的学术论文 | 第72页 |
