| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 深度学习 | 第10-11页 |
| 1.2.2 目标检测 | 第11-12页 |
| 1.2.3 行为识别 | 第12-13页 |
| 1.2.4 图像描述 | 第13-14页 |
| 1.2.5 嵌入式设备 | 第14-15页 |
| 1.3 论文的研究内容和结构安排 | 第15-17页 |
| 第二章 视频事件检测算法理论基础 | 第17-37页 |
| 2.1 卷积神经网络理论 | 第17-22页 |
| 2.2 目标检测算法理论 | 第22-30页 |
| 2.2.1 传统目标监测方法 | 第22-23页 |
| 2.2.2 基于Region Proposal的深度学习目标检测算法 | 第23-27页 |
| 2.2.3 基于回归方法的深度学习目标检测算法 | 第27-29页 |
| 2.2.4 可改进的技巧和方法 | 第29-30页 |
| 2.3 行为识别算法理论 | 第30-33页 |
| 2.3.1 时空流行为识别方法 | 第30-31页 |
| 2.3.2 三维卷积神经网络行为识别方法 | 第31-33页 |
| 2.4 图像描述算法理论 | 第33-35页 |
| 2.5 嵌入式设备算法迁移技术 | 第35-37页 |
| 第三章 视频事件检测方法设计 | 第37-46页 |
| 3.1 卷积神经网络可视化 | 第37-38页 |
| 3.2 目标检测算法的改进 | 第38-42页 |
| 3.2.1 更好的数据 | 第39-40页 |
| 3.2.2 更好的模型 | 第40-42页 |
| 3.2.3 更好的优化 | 第42页 |
| 3.3 动作识别和图像描述的实现 | 第42-43页 |
| 3.4 整体流程设计 | 第43-44页 |
| 3.5 分布式嵌入式深度学习平台 | 第44-46页 |
| 第四章 实验结果分析 | 第46-54页 |
| 4.1 卷积神经网络可视化 | 第46-48页 |
| 4.2 物体检测算法分析 | 第48-51页 |
| 4.3 视频行为检测结果展示 | 第51-52页 |
| 4.4 分布式嵌入式深度学习平台测试结果 | 第52-54页 |
| 总结与展望 | 第54-56页 |
| 课题主要完成的内容 | 第54页 |
| 课题创新点 | 第54页 |
| 后续研究工作 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 攻读硕士学位期间取得的学术成果 | 第62-63页 |
| 致谢 | 第63页 |