針對傳統(tǒng)的機(jī)器學(xué)習(xí)算法以及常規(guī)的深度學(xué)習(xí)模型對于大數(shù)據(jù)量的航運監(jiān)控視頻識別效果不佳的問題,設(shè)計一種組約束深度神經(jīng)網(wǎng)絡(luò)模型（GCDNN）對實時航運監(jiān)控視頻進(jìn)行識別。模型主要由結(jié)合Inception結(jié)構(gòu)的VGG-16組件和優(yōu)化LSTM單元的深層雙向循環(huán)神經(jīng)網(wǎng)絡(luò)DBO-LSTM組件構(gòu)成,充分提取視頻幀序列的時空特征,使用稀疏組套索正則化算法進(jìn)行網(wǎng)絡(luò)稀疏處理,使用隨機(jī)森林算法輸出分類結(jié)果。實驗結(jié)果表明,所提模型可以較好提升大數(shù)據(jù)量下的視頻識別準(zhǔn)確率,對于受惡劣天氣影響的數(shù)據(jù)具有較強(qiáng)的識別能力,驗證了所提模型的有效性。 

【文章來源】：計算機(jī)工程與設(shè)計. 2020,41(10)北大核心

【文章頁數(shù)】：9 頁

【參考文獻(xiàn)】：
期刊論文
[1]基于三維卷積神經(jīng)網(wǎng)絡(luò)的航運監(jiān)控事件識別[J]. 王中杰,張鴻.  計算機(jī)應(yīng)用. 2019(12)



本文編號：3079093