基于深度学习的视频内容识别技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 本文结构安排 | 第13-15页 |
| 第二章 视频内容识别技术相关基础和理论 | 第15-31页 |
| 2.1 卷积神经网络 | 第15-21页 |
| 2.2 循环神经网络 | 第21-24页 |
| 2.3 基于深度学习的视频内容识别方法 | 第24-29页 |
| 2.3.1 基于单帧的识别方法 | 第24-25页 |
| 2.3.2 基于三维卷积核的识别方法 | 第25-26页 |
| 2.3.3 基于双通道CNN的识别方法 | 第26-27页 |
| 2.3.4 基于LSTM的识别方法 | 第27-29页 |
| 2.4 视频内容识别数据集 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于注意力机制的LRCN模型 | 第31-48页 |
| 3.1 LRCN模型 | 第31-34页 |
| 3.1.1 空间特征提取 | 第31-33页 |
| 3.1.2 时间特征提取 | 第33-34页 |
| 3.2 注意力机制 | 第34-36页 |
| 3.2.1 软注意力机制 | 第35-36页 |
| 3.2.2 硬注意力机制 | 第36页 |
| 3.3 基于注意力机制的LRCN模型 | 第36-38页 |
| 3.4 实验结果与性能分析 | 第38-47页 |
| 3.4.1 实验环境及设置 | 第39-40页 |
| 3.4.2 准确性分析 | 第40-44页 |
| 3.4.3 注意力可视化分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于BLSTM网络的LRCN模型 | 第48-62页 |
| 4.1 BRNN网络和BLSTM网络 | 第48-50页 |
| 4.2 基于BLSTM网络的LRCN模型 | 第50-52页 |
| 4.3 实验结果与性能分析 | 第52-61页 |
| 4.3.1 实验环境及设置 | 第52页 |
| 4.3.2 准确性分析 | 第52-57页 |
| 4.3.3 效率分析 | 第57-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 内容总结 | 第62-63页 |
| 5.2 研究展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士期间参与的项目与发表论文 | 第69-70页 |
