时序深度学习算法及其应用研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-11页 |
| 1.1.1 课题背景 | 第8-9页 |
| 1.1.2 视频指纹的特性及应用 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 课题的研究内容和目的 | 第13-14页 |
| 1.4 论文的组织架构 | 第14-16页 |
| 第二章 神经网络及深度学习 | 第16-28页 |
| 2.1 深度学习的概述 | 第16页 |
| 2.2 前馈型网络 | 第16-20页 |
| 2.2.1 全连接网络 | 第16-18页 |
| 2.2.2 卷积神经网络 | 第18-19页 |
| 2.2.3 经典的卷积神经网络实例 | 第19-20页 |
| 2.3 深度生成模型 | 第20-23页 |
| 2.3.1 深度生成模型的概述 | 第20-21页 |
| 2.3.2 受限玻尔兹曼机的结构 | 第21-23页 |
| 2.4 时序神经网络 | 第23-27页 |
| 2.4.1 序列数据的特点 | 第24页 |
| 2.4.2 时序模型 | 第24-27页 |
| 2.5 本章总结 | 第27-28页 |
| 第三章 基于条件受限玻尔兹曼机的视频指纹生成方法 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 视频时空特征的提取 | 第28-30页 |
| 3.3 特征去噪网络 | 第30-32页 |
| 3.3.1 自编码器的概述 | 第30-31页 |
| 3.3.2 去噪自编码器 | 第31-32页 |
| 3.4 后处理网络 | 第32-33页 |
| 3.5 实验结果分析 | 第33-36页 |
| 3.5.1 实验数据及预处理 | 第33-35页 |
| 3.5.2 实验结果对比 | 第35-36页 |
| 3.6 本章小结 | 第36-38页 |
| 第四章 基于长短时记忆网络视频指纹生成方法 | 第38-50页 |
| 4.1 引言 | 第38页 |
| 4.2 AlexNet提取视频帧的特征 | 第38-42页 |
| 4.2.1 AlexNet的网络结构 | 第38-40页 |
| 4.2.2 AlexNet的微调 | 第40-41页 |
| 4.2.3 实验结果分析 | 第41-42页 |
| 4.3 利用LSTM提取视频时序特征 | 第42-46页 |
| 4.3.1 LSTM的原理和结构 | 第42-44页 |
| 4.3.2 实验结果分析 | 第44-46页 |
| 4.4 后处理网络 | 第46-48页 |
| 4.4.1 后处理网络的搭建 | 第46-47页 |
| 4.4.2 实验结果分析 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 总结展望 | 第50-52页 |
| 5.1 工作总结 | 第50-51页 |
| 5.2 工作展望 | 第51-52页 |
| 参考文献 | 第52-58页 |
| 发表论文和参加科研情况说明 | 第58-60页 |
| 致谢 | 第60页 |
