| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 视频分析的国内外研究现状 | 第10-14页 |
| 1.2.1 基于语义的视频分类研究现状 | 第11-12页 |
| 1.2.2 特征提取算法的研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 章节安排 | 第15-17页 |
| 第二章 应用深度学习的视频语义分类 | 第17-29页 |
| 2.1 基于神经网络的机器学习模型 | 第18-21页 |
| 2.1.1 MLP多层感知器模型 | 第18-19页 |
| 2.1.2 反向传播网络 | 第19-21页 |
| 2.2 基于统计理论的机器学习模型 | 第21-23页 |
| 2.3 卷积神经网络 | 第23-28页 |
| 2.3.1 基于卷积神经网络的语义提取架构 | 第24-25页 |
| 2.3.2 CNN-ELM分类结构 | 第25-27页 |
| 2.3.3 网络的调节方式 | 第27-28页 |
| 2.3.4 卷积神经网络的发展与应用 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于群体搜索的元启发式算法 | 第29-35页 |
| 3.1 优化自适应遗传算法 | 第29-31页 |
| 3.1.1 遗传算法的本质与步骤 | 第29-30页 |
| 3.1.2 自适应遗传算法 | 第30-31页 |
| 3.1.3 改进的自适应遗传算法 | 第31页 |
| 3.2 粒子群优化算法 | 第31-33页 |
| 3.2.1 仿生原理 | 第32页 |
| 3.2.2 数学表示及算法步骤 | 第32-33页 |
| 3.3 本章小结 | 第33-35页 |
| 第四章 基于优化深度卷积神经网络的视频语义分类研究 | 第35-47页 |
| 4.1 结合自适应遗传算法与深度卷积神经网络的视频语义分类方法 | 第35-39页 |
| 4.1.1 视频帧预处理 | 第35-37页 |
| 4.1.2 视频语义的分类模型与参数设计 | 第37页 |
| 4.1.3 分类算法流程 | 第37-39页 |
| 4.2 实验结果与分析 | 第39-45页 |
| 4.2.1 训练参数选择 | 第40-41页 |
| 4.2.2 与类语义分类方法的对比分析 | 第41-43页 |
| 4.2.3 分类器对比分析 | 第43-44页 |
| 4.2.4 与不同网络优化方法的对比分析 | 第44-45页 |
| 4.3 本章小结 | 第45-47页 |
| 第五章 双优化卷积通道的视频语义分类研究 | 第47-63页 |
| 5.1 超分辨率重建问题概述 | 第47-50页 |
| 5.1.1 成像过程建模 | 第47-48页 |
| 5.1.2 超分辨率问题的难点 | 第48页 |
| 5.1.3 超分辨率技术的发展现状 | 第48页 |
| 5.1.4 基于语义理解的超分辨率重建模型 | 第48-50页 |
| 5.2 应用优化卷积神经网络的图像超分辨率重建方法 | 第50-53页 |
| 5.2.1 图像预处理 | 第50-51页 |
| 5.2.2 权值修正过程 | 第51页 |
| 5.2.3 混合重建算法流程 | 第51-53页 |
| 5.3 单帧图像的重建实验分析 | 第53-58页 |
| 5.3.1 参数设计 | 第53页 |
| 5.3.2 双重评价方式 | 第53-54页 |
| 5.3.3 针对set5及set14图像库的重建效果分析 | 第54-56页 |
| 5.3.4 针对雾霾天气下单帧图像的重建结果分析 | 第56-58页 |
| 5.4 结合双卷积网络的视频语义分类算法 | 第58-62页 |
| 5.4.1 新闻关键帧的超分辨率重建 | 第59-61页 |
| 5.4.2 新闻视频语义分类结果分析 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 研究展望 | 第64-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-75页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第75页 |
