改进的CNN特征及其时序建模在视频分类中的应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 课题研究现状 | 第11-15页 |
| 1.2.1 人体行为识别概述 | 第11-12页 |
| 1.2.2 图像特征提取 | 第12-14页 |
| 1.2.3 视频特征表示 | 第14-15页 |
| 1.3 论文主要工作及结构安排 | 第15-16页 |
| 第2章 视频分类系统基础 | 第16-28页 |
| 2.1 视频预处理 | 第17页 |
| 2.2 图像特征提取 | 第17-21页 |
| 2.2.1 SIFT局部特征 | 第18-19页 |
| 2.2.2 HOG特征 | 第19-21页 |
| 2.3 视频特征表示 | 第21-23页 |
| 2.3.1 k-means聚类 | 第21-22页 |
| 2.3.2 VLAD特征表示 | 第22-23页 |
| 2.4 数据库与实验分析 | 第23-27页 |
| 2.4.1 视频数据库 | 第23-26页 |
| 2.4.2 实验结果与分析 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 CNN原理及其改进 | 第28-44页 |
| 3.1 前向神经网络 | 第28-29页 |
| 3.2 卷积神经网络基本原理 | 第29-35页 |
| 3.2.1 卷积 | 第30-32页 |
| 3.2.2 Pooling | 第32-33页 |
| 3.2.3 激活函数 | 第33页 |
| 3.2.4 Dropout技术 | 第33-34页 |
| 3.2.5 Softmax回归 | 第34-35页 |
| 3.3 VGG-Net模型结构及其改进 | 第35-40页 |
| 3.3.1 模型结构 | 第35-36页 |
| 3.3.2 自编码算法与稀疏性 | 第36-39页 |
| 3.3.3 模型改进方案 | 第39-40页 |
| 3.4 改进模型的训练与对比分析 | 第40-43页 |
| 3.4.1 训练过程 | 第40-42页 |
| 3.4.2 实验对比分析 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 HMM时序建模 | 第44-61页 |
| 4.1 模型理论基础 | 第44-47页 |
| 4.1.1 HMM基本结构 | 第44-45页 |
| 4.1.2 HMM三个基本问题 | 第45-46页 |
| 4.1.3 HMM的分类 | 第46-47页 |
| 4.2 高斯混合模型 | 第47-50页 |
| 4.2.1 基本原理 | 第47-49页 |
| 4.2.2 GMM模型参数训练 | 第49-50页 |
| 4.3 HMM时序建模 | 第50-55页 |
| 4.3.1 模型整体设计 | 第51-52页 |
| 4.3.2 模型参数训练 | 第52-55页 |
| 4.4 实验结果与分析 | 第55-60页 |
| 4.5 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-70页 |
| 致谢 | 第70页 |
