在大數(shù)據(jù)時代,越來越多的視頻數(shù)據(jù)等待著被處理、分析和挖掘。然而,很多視頻在產生時并沒有進行有效的標注甚至沒有標注,這給人們搜索并處理他們感興趣的視頻部分帶來了極大的挑戰(zhàn),因而開發(fā)一套高效的視頻結構化分析技術是很有必要的。其中,視頻鏡頭檢測技術和視頻對象分割技術是實現(xiàn)視頻結構化分析的基礎和關鍵步驟。針對視頻鏡頭檢測本文做了如下貢獻:提出了一個高效的視頻鏡頭檢測框架,指出高效的模型中應必備的三個要素（預處理,特征提取和檢測算法）,并給出了相應的設計建議。根據(jù)提出的框架本文進一步實現(xiàn)了基于深度學習的視頻鏡頭檢測算法。算法思路如下:首先應用框架內詳細介紹的基于二分比較的方法對給定視頻進行預處理,濾除大量的非鏡頭幀并得到可能包含鏡頭邊界的候選段。然后使用AlexNet對每段提取深度特征,通過分析、篩選得到具有強表達能力的fc-6特征對候選段內的幀進行高效表征。最后分別針對突變邊界、漸變邊界候選段應用相應的檢測算法:對于突變邊界檢測,本文綜合考慮了段內平均相似度和連續(xù)幀間相似度的關系并定義了相似度“顯著”改變的標準,進而能夠精確檢測得到突變邊界的位置;對于漸變邊界檢測,本文通過對漸變邊界的分析得到... 

【文章來源】：上海交通大學上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：92 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景和意義
    1.2 課題研究現(xiàn)狀
        1.2.1 視頻鏡頭檢測算法研究現(xiàn)狀
        1.2.2 視頻對象分割算法研究現(xiàn)狀
    1.3 本文的研究點
    1.4 本文主要工作及章節(jié)安排
第二章 深度學習基礎
    2.1 有監(jiān)督學習
    2.2 最優(yōu)化算法
    2.3 反向傳播算法
    2.4 神經網(wǎng)絡
        2.4.1 BP神經網(wǎng)絡
        2.4.2 卷積神經網(wǎng)絡
第三章 視頻鏡頭檢測
    3.1 高效的視頻鏡頭檢測框架
        3.1.1 預處理
        3.1.2 特征提取
        3.1.3 檢測算法
    3.2 視頻鏡頭檢測算法的發(fā)展綜述
    3.3 基于深度學習的視頻鏡頭檢測算法
        3.3.1 深度特征分析
        3.3.2 基于深度特征的檢測算法
    3.4 實驗部分
第四章 視頻對象分割
    4.1 視頻對象分割領域的代表算法
        4.1.1 無監(jiān)督算法和半監(jiān)督算法
        4.1.2 深度學習應用于視頻對象分割的挑戰(zhàn)
    4.2 基于雙流深度編碼-解碼網(wǎng)絡的對象分割算法
        4.2.1 編碼結構
        4.2.2 解碼結構
        4.2.3 融合結構
        4.2.4 訓練過程
    4.3 實驗部分
第五章 總結與展望
    5.1 全文工作總結
    5.2 研究展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文
攻讀學位期間申請的發(fā)明專利



本文編號：2942461