面向动态场景理解的时空深度学习算法
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 章节安排 | 第15-16页 |
| 第二章 动态场景理解算法综述 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 传统动态场景理解相关算法 | 第16-20页 |
| 2.2.1 光流法 | 第16-17页 |
| 2.2.2 背景建模法 | 第17-20页 |
| 2.3 深度时空特征提取算法 | 第20-25页 |
| 2.3.1 基于池化的时空特征提取 | 第22-23页 |
| 2.3.2 基于递归神经网络的时空特征提取 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于规则的动态场景理解算法 | 第26-41页 |
| 3.1 引言 | 第26页 |
| 3.2 基于背景建模的人群聚集检测 | 第26-32页 |
| 3.2.1 人群聚集特点分析 | 第26-27页 |
| 3.2.2 聚集候选区域提取 | 第27-28页 |
| 3.2.3 等效面积策略 | 第28-30页 |
| 3.2.4 滑动窗检测 | 第30-32页 |
| 3.3 基于光流的人群逃散检测 | 第32-36页 |
| 3.3.1 人群逃散特点分析 | 第32页 |
| 3.3.2 区块动能 | 第32-34页 |
| 3.3.3 人群逃散检测 | 第34-36页 |
| 3.4 实验及分析 | 第36-39页 |
| 3.4.1 数据库介绍 | 第36页 |
| 3.4.2 人群聚集检测实验及分析 | 第36-38页 |
| 3.4.3 人群逃散检测实验及分析 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 面向动态场景的时空卷积网络 | 第41-65页 |
| 4.1 引言 | 第41页 |
| 4.2 动态监控场景理解 | 第41-50页 |
| 4.2.1 时空场景分类网络 | 第41-47页 |
| 4.2.2 训练策略 | 第47-49页 |
| 4.2.3 事件检测 | 第49-50页 |
| 4.3 动态交通场景理解 | 第50-54页 |
| 4.3.1 交通场景中的端到端决策 | 第50-51页 |
| 4.3.2 时空卷积网络改进 | 第51-54页 |
| 4.4 实验及分析 | 第54-64页 |
| 4.4.1 数据库介绍 | 第54-55页 |
| 4.4.2 动态监控场景理解实验结果及分析 | 第55-57页 |
| 4.4.3 动态交通场景理解实验结果及分析 | 第57-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 工作总结 | 第65-66页 |
| 5.2 工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间取得的成果 | 第73-74页 |
