基于深度学习的端到端背景提取
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 现状及发展趋势 | 第8-11页 |
| 1.2.1 背景前景分离算法分析 | 第8-9页 |
| 1.2.2 动态显著性检测分析 | 第9-10页 |
| 1.2.3 卷积神经网络的前景发展 | 第10-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 2 背景建模与神经网络的相关理论 | 第14-19页 |
| 2.1 背景建模的特性分析 | 第14页 |
| 2.2 典型背景建模算法 | 第14-17页 |
| 2.2.1 单高斯背景建模方法 | 第14-15页 |
| 2.2.2 混合高斯背景建模方法 | 第15页 |
| 2.2.3 均值法背景建模方法 | 第15-16页 |
| 2.2.4 典型建模方法比较分析 | 第16-17页 |
| 2.3 卷积神经网络的基本概念 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 3 复杂场景的背景提取方法改进 | 第19-32页 |
| 3.1 相关工作 | 第19-21页 |
| 3.2 方法 | 第21-27页 |
| 3.2.1 像素级建模 | 第21-23页 |
| 3.2.2 通过样本一致性检测分类 | 第23-24页 |
| 3.2.3 背景检测与反馈构架 | 第24-27页 |
| 3.2.4 进一步的调整网络 | 第27页 |
| 3.3 实验结果 | 第27-30页 |
| 3.4 本章小结 | 第30-32页 |
| 4 视频显著性预测的神经网络设计 | 第32-50页 |
| 4.1 相关工作 | 第32-33页 |
| 4.2 视频显著性检测的数据库 | 第33-35页 |
| 4.3 方法 | 第35-40页 |
| 4.3.1 基于CNN中的目标网络和移动网络 | 第36-37页 |
| 4.3.2 预测视频动态显著性的卷积LSTM | 第37-39页 |
| 4.3.3 对DNN网络进行训练 | 第39-40页 |
| 4.4 用于背景提取的神经网络 | 第40-41页 |
| 4.5 实验对比 | 第41-48页 |
| 4.5.1 实验装置 | 第41-42页 |
| 4.5.2 性能比较 | 第42-46页 |
| 4.5.3 验证使用的方法 | 第46-48页 |
| 4.6 本章小结 | 第48-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 攻读硕士期间的研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
