基于深度学习的直播色情检测研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究的背景和意义 | 第9页 |
| 1.2 色情识别研究现状 | 第9-11页 |
| 1.3 本文所做的主要工作 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第二章 深度学习算法介绍 | 第14-28页 |
| 2.1 神经网络介绍 | 第14-17页 |
| 2.1.1 感知器 | 第14-15页 |
| 2.1.2 多层感知器 | 第15-16页 |
| 2.1.3 反向传播算法 | 第16-17页 |
| 2.2 卷积神经网络 | 第17-22页 |
| 2.2.1 局部感受野 | 第18-19页 |
| 2.2.2 共享权重和偏置 | 第19-20页 |
| 2.2.3 池化层 | 第20页 |
| 2.2.4 Softmax回归 | 第20-21页 |
| 2.2.5 Dropout | 第21-22页 |
| 2.3 循环神经网络 | 第22-27页 |
| 2.3.1 基本结构 | 第22-24页 |
| 2.3.2 RNN存在的问题 | 第24页 |
| 2.3.3 LSTM | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于深度学习的视频色情检测 | 第28-43页 |
| 3.1 ACORDE 模型 | 第28-31页 |
| 3.1.1 ACORDE 模型介绍 | 第29-30页 |
| 3.1.2 ACORDE 存在的问题 | 第30-31页 |
| 3.2 M-ACORDE模型 | 第31-38页 |
| 3.2.1 视频分割与关键帧提取 | 第34-35页 |
| 3.2.2 Optical flow提取 | 第35-36页 |
| 3.2.3 CNN特征提取 | 第36-37页 |
| 3.2.4 特征组合 | 第37-38页 |
| 3.2.5 LSTM分类器 | 第38页 |
| 3.3 实验 | 第38-42页 |
| 3.3.1 实验环境 | 第38-39页 |
| 3.3.2 NPDI数据集介绍 | 第39-40页 |
| 3.3.3 实验内容 | 第40-42页 |
| 3.3.4 实验总结 | 第42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于LSTM的弹幕色情检测 | 第43-52页 |
| 4.1 文本情感分析介绍 | 第43-44页 |
| 4.2 相关概念 | 第44-46页 |
| 4.2.1 词向量 | 第44-45页 |
| 4.2.2 Word2vec向量化 | 第45-46页 |
| 4.3 弹幕色情检测模型 | 第46-48页 |
| 4.3.1 分词及去停用词 | 第46-47页 |
| 4.3.2 向量化 | 第47-48页 |
| 4.3.3 LSTM分类器 | 第48页 |
| 4.4 实验 | 第48-51页 |
| 4.4.1 评估标准 | 第49页 |
| 4.4.2 实验结果 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 直播色情检测应用 | 第52-55页 |
| 5.1 直播色情检测过程 | 第52-53页 |
| 5.2 检测效果 | 第53-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-59页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 致谢 | 第60页 |
