| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文的基本思想 | 第15-16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 2 基于卷积神经网络的事件图像特征提取 | 第17-31页 |
| 2.1 卷积神经网络的基本原理 | 第17-22页 |
| 2.1.1 卷积神经网络的结构 | 第17-20页 |
| 2.1.2 卷积神经网络的训练 | 第20-21页 |
| 2.1.3 防止过拟合方法 | 第21-22页 |
| 2.2 事件图像数据库 | 第22-23页 |
| 2.3 特征提取 | 第23-30页 |
| 2.3.1 模型微调 | 第23-24页 |
| 2.3.2 场景特征提取 | 第24-26页 |
| 2.3.3 物体特征提取 | 第26-27页 |
| 2.3.4 人物特征提取 | 第27-28页 |
| 2.3.5 特征融合 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 基于LSTM神经网络的多特征融合事件图像分类 | 第31-47页 |
| 3.1 相关技术原理介绍 | 第31-41页 |
| 3.1.1 RNN神经网络 | 第31-35页 |
| 3.1.2 LSTM神经网络 | 第35-37页 |
| 3.1.3 分类算法 | 第37-39页 |
| 3.1.4 优化算法 | 第39-41页 |
| 3.2 基于LSTM融合多视觉特征的事件图像分类模型 | 第41-44页 |
| 3.2.1 数据处理 | 第42-43页 |
| 3.2.2 特征提取与融合 | 第43页 |
| 3.2.3 LSTM网络处理 | 第43-44页 |
| 3.2.4 特征分类 | 第44页 |
| 3.3 模型的训练 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 事件图像分类实验 | 第47-62页 |
| 4.1 实验环境搭建与评价标准 | 第47-48页 |
| 4.1.1 实验环境搭建 | 第47页 |
| 4.1.2 实验评价标准 | 第47-48页 |
| 4.2 基于卷积神经网络的事件图像分类实验 | 第48-53页 |
| 4.2.1 实验设置 | 第48页 |
| 4.2.2 基于场景特征的实验结果与分析 | 第48-50页 |
| 4.2.3 基于物体特征的实验结果与分析 | 第50-51页 |
| 4.2.4 基于人物特征的实验结果与分析 | 第51-53页 |
| 4.3 基于LSTM单一特征的事件图像分类实验 | 第53-56页 |
| 4.3.1 实验设置 | 第53页 |
| 4.3.2 基于LSTM的场景特征实验结果与分析 | 第53-54页 |
| 4.3.3 物体识别模型的实验结果与分析 | 第54-55页 |
| 4.3.4 人物识别模型的实验结果与分析 | 第55-56页 |
| 4.4 基于LSTM多视觉特征融合的事件图像分类实验 | 第56-59页 |
| 4.4.1 实验设置 | 第56-57页 |
| 4.4.2 基于LSTM多特征融合的事件图像分类实验结果与分析 | 第57-59页 |
| 4.5 方法对比 | 第59-60页 |
| 4.6 实验结论 | 第60-61页 |
| 4.7 本章小结 | 第61-62页 |
| 5 总结及展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 文章的不足和展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |
