近年來隨著互聯(lián)網和通信技術的飛速發(fā)展,用戶上傳、下載互聯(lián)網中的視頻數(shù)據(jù)變得越來越便利。這不僅導致了互聯(lián)網中的視頻數(shù)據(jù)的急劇增長,也給視頻數(shù)據(jù)的處理和存儲帶來了極大的挑戰(zhàn)。如何在海量視頻數(shù)據(jù)中精準的查找用戶所需的視頻內容,成為了近年來多媒體領域需要迫切解決的關鍵問題之一。哈希學習可以將復雜的原始數(shù)據(jù)映射成極短的哈希碼,并在哈希碼中保持原始數(shù)據(jù)間的相似性,通過哈希碼在數(shù)據(jù)庫中進行檢索,既可以大幅度提高檢索速度,又可以有效減少對存儲空間的需求。因此,基于哈希學習實現(xiàn)圖像和視頻的檢索,是近年來的一個研究熱點。目前,哈希學習方法在圖像檢索中已有較多研究,取得了較大的進展,但在視頻檢索中的研究工作還比較有限,主要體現(xiàn)在哈希學習中對視頻的時空特征編碼不足,標簽信息嵌入能力不強,且計算復雜度較高,這導致檢索哈希檢索性能與應用需求還有較大的差距。因此,本人選擇基于哈希學習的視頻檢索作為研究課題,以進一步提升視頻檢索的性能。本論文研究了一種基于三元組的深度視頻哈希檢索方法,并對所提方法的性能進行了實驗驗證。主要研究工作概括如下:（1）基于卷積神經網絡和長短時記憶網絡,提出了一種端到端的有監(jiān)督視頻哈希編碼網... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【部分圖文】：

圖２－１?ＶＧＧ網絡結構??經最后一層池化后的特征圖大小為７＊７，輸出特征張量的維度為７＊７＊５１２

??環(huán)神經網絡與傳統(tǒng)的全連接神經網絡相比，其主要區(qū)別在于傳統(tǒng)的神經網絡通常??由輸入到隱藏層再到輸出，層與層之間為全連接的關系，而循環(huán)神經網絡的每層??網絡輸出除了與當前的輸入有關，也與之前序列的輸出有關。這使得網絡的隱藏??層并非獨立于每一層網絡中，而是互相連接貫穿整個輸入序列，這種結構有利于??保存先前輸入的序列信息。得益于循環(huán)輸入的結構，循環(huán)神經網絡非常適合序列??信息的處理，在自然語言處理與視頻的相關場景中應用廣泛。從理論上來講，循??環(huán)神經網絡可以處理任意長度的序列數(shù)據(jù)。圖２－２是一個循環(huán)神經網絡的結構示??意圖，公式（２．１）（２．２）表示了該循環(huán)神經網絡的前向傳播過程。??６?°．￣１?°ｔ?°Ｍ??▲?Ａ?Ａ?ｎ??ｖ?ｖ?ｖ?ｖ??個ｗ個ｗ個ｗ??Ｖ?ｕ?ｕ?ｕ??Ｘ?ｘ，－ｌ?Ｘｔ??圖２－２循環(huán)神經網絡的結構圖??１０??

?山東大學碩士學位論文???Ｓｔ＝ｆ（Ｕ－Ｘｔ?＋?Ｗ－?５ｔ＿ｉ）?（２．１）??０ｔ?＝?ｇ（Ｖ－Ｓｔ）?（２．２）??上式中Ｓ為隱藏層狀態(tài)，ｘ為每一層網絡的輸入，〇為輸出，ｔ／、Ｖ、Ｗ為權重??矩陣，／（？）與扒？）為激活函數(shù)。??然而如圖２－２所示的循環(huán)神經網絡在實際應用中存在一些問題，如隨著序列??的逐漸加深，序列先前部分的信息會隨著網絡傳播逐漸減小，且越靠近初始部分，??信息損失就越大。此外，在網絡的反向傳播更新參數(shù)的過程中，隱藏層參數(shù)的連??乘會導致梯度消失從而導致無法更新參數(shù)的問題�；谶@些問題，Ｈｏｃｈｒｅｉｔｅｒ和??ＳｃｈｍｉｄｈｕｂｅｒｆＭ等人提出了一種循環(huán)神經網絡的變體，長短時記憶網絡（Ｌｏｎｇ??Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ）?０??？?？?？??＾?ｔ?／?ｔ?／?ｔ??－？?—？－―?－？?－１關—?—？?－？??ａ?＾Ｉ３ＺＣ?Ａ?．??Ｌ?）?ｖｊ??Ｊ?ｖ，?ｊ??Ｉ?Ｉ?１??＠?（ｘＴ）?Ｑ??圖２－３長短時記憶網絡示意圖??圖２－３為長短時記憶網絡的示意圖。長短時記憶網絡與傳統(tǒng)循環(huán)神經網絡的??主要區(qū)別在于細胞狀態(tài)的加入。細胞狀態(tài)是編碼整個序列所有信息的一條信息??流，細胞狀態(tài)通過遺忘門和輸入門進行狀態(tài)更新。每當由新的序列信息輸入時，??遺忘門會計算之前的細胞狀態(tài)中有哪些信息需要丟棄，有哪些信息需要保留，同??時輸入門根據(jù)之前的輸出和新的輸入，計算哪些信息需要輸入細胞狀態(tài)，隨后細??胞狀態(tài)根據(jù)遺忘門和輸入門的結果進行更新。輸出門決定了細胞狀態(tài)中的哪些信??息輸出，將更新后的細胞狀態(tài)中的信息輸出并傳遞至下一時間步。下式（２


本文編號：3131190