基于弱监督深度网络的火灾检测技术研究与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-16页 |
| 1.1 研究背景及挑战 | 第10-11页 |
| 1.1.1 研究背景与意义 | 第10-11页 |
| 1.1.2 研究困难与挑战 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于传统图像处理的火灾检测方法 | 第12-14页 |
| 1.2.2 基于深度网络的火灾检测方法 | 第14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 2 相关技术和理论介绍 | 第16-35页 |
| 2.1 基于传统图像处理的火灾检测技术 | 第16-26页 |
| 2.1.1 运动区域检测 | 第16-19页 |
| 2.1.2 图像视觉特征 | 第19-23页 |
| 2.1.3 分类器设计 | 第23-26页 |
| 2.2 基于深度网络的火灾检测技术 | 第26-34页 |
| 2.2.1 卷积神经网络 | 第26-28页 |
| 2.2.2 几种网络模型介绍 | 第28-34页 |
| 2.3 本章小结 | 第34-35页 |
| 3 基于深度网络的火灾检测算法 | 第35-48页 |
| 3.1 算法提出动机 | 第35页 |
| 3.2 算法整体框架 | 第35-36页 |
| 3.3 算法相关技术理论介绍 | 第36-40页 |
| 3.3.1 反卷积神经网络 | 第36-37页 |
| 3.3.2 RNN | 第37-40页 |
| 3.4 端到端的双流网络模型 | 第40-43页 |
| 3.4.1 静态网络 | 第40-41页 |
| 3.4.2 运动网络 | 第41-42页 |
| 3.4.3 特征融合 | 第42-43页 |
| 3.4.4 运动信息累积 | 第43页 |
| 3.5 多类别有序回归模型 | 第43-47页 |
| 3.5.1 问题描述 | 第44页 |
| 3.5.2 模型构建 | 第44页 |
| 3.5.3 算法实现 | 第44-47页 |
| 3.6 本章小结 | 第47-48页 |
| 4 实验设置分析与应用系统实现 | 第48-60页 |
| 4.1 实验数据集的构建 | 第48-51页 |
| 4.2 实验设置与分析 | 第51-56页 |
| 4.2.1 实验评价指标 | 第51-52页 |
| 4.2.2 实验对比方法 | 第52-53页 |
| 4.2.3 实验结果分析 | 第53-56页 |
| 4.3 火灾检测系统实现 | 第56-59页 |
| 4.3.1 系统总体框架 | 第56-57页 |
| 4.3.2 系统实现细节 | 第57-58页 |
| 4.3.3 系统结果展示 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |
