| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第一章 绪论 | 第7-15页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 论文研究内容及章节安排 | 第12-15页 |
| 第二章 传统视频事件检测方法概述 | 第15-27页 |
| 2.1 视频动作检测特征 | 第15-19页 |
| 2.1.1 空间时间兴趣点特征 | 第16-17页 |
| 2.1.2 改进的密集轨迹特征 | 第17-19页 |
| 2.2 基于PCA方法的特征预处理 | 第19页 |
| 2.3 码本生成 | 第19-23页 |
| 2.3.1 K-Means聚类方法 | 第20-21页 |
| 2.3.2 GMM生成模型 | 第21-22页 |
| 2.3.3 特征编码 | 第22-23页 |
| 2.4 分类器 | 第23-26页 |
| 2.4.1 近邻分类器 | 第23-24页 |
| 2.4.2 K近邻分类器 | 第24-25页 |
| 2.4.3 Softmax分类器 | 第25页 |
| 2.4.4 支持向量机 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于深度学习网络的视频事件检测 | 第27-35页 |
| 3.1 引言 | 第27页 |
| 3.2 卷积神经网络 | 第27-29页 |
| 3.2.1 卷积神经网络概述 | 第27页 |
| 3.2.2 卷积神经网络和传统神经网络的对比 | 第27-28页 |
| 3.2.3 卷积神经网络的结构 | 第28-29页 |
| 3.3 递归神经网络 | 第29-30页 |
| 3.3.1 递归神经网络与序列数据 | 第29页 |
| 3.3.2 递归神经网络的结构 | 第29-30页 |
| 3.4 递归神经网络所解决的问题 | 第30-31页 |
| 3.4.1 语言建模与文本产生 | 第30-31页 |
| 3.4.2 图片描述的产生 | 第31页 |
| 3.5 反向传播神经网络 | 第31-33页 |
| 3.5.1 反向传播神经网络结构 | 第31-32页 |
| 3.5.2 反向传播神经网络训练过程 | 第32-33页 |
| 3.6 本章小结 | 第33-35页 |
| 第四章 基于长短期记忆神经网络的视频事件检测方法 | 第35-41页 |
| 4.1 引言 | 第35页 |
| 4.2 长短期记忆单元 | 第35-36页 |
| 4.3 基于长短期记忆神经网络的多标签事件检测 | 第36-40页 |
| 4.3.1 基于长短期记忆的神经网络架构 | 第36-37页 |
| 4.3.2 基于长短期记忆神经网络多标签事件检测流程 | 第37-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 实验结果及分析 | 第41-57页 |
| 5.1 并发事件数据库 | 第41-43页 |
| 5.2 评价参数 | 第43页 |
| 5.3 实验设置 | 第43-44页 |
| 5.3.1 实验设计细节 | 第43-44页 |
| 5.3.2 对比实验方法 | 第44页 |
| 5.4 开发集实验结果与分析 | 第44-47页 |
| 5.4.1 长短期记忆神经网络方法实验结果 | 第44-46页 |
| 5.4.2 对比支持向量机方法结果 | 第46-47页 |
| 5.5 四组交叉验证实验结果与分析 | 第47-54页 |
| 5.5.1 综合评价结果 | 第50-51页 |
| 5.5.2 类结果 | 第51-54页 |
| 5.6 实验结果可视化 | 第54-55页 |
| 5.7 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-61页 |
| 6.1 本文工作总结 | 第57-58页 |
| 6.2 未来展望 | 第58-61页 |
| 参考文献 | 第61-67页 |
| 发表论文和参加科研情况说明 | 第67-69页 |
| 致谢 | 第69页 |