近年來(lái)隨著互聯(lián)網(wǎng)和通信技術(shù)的飛速發(fā)展,用戶上傳、下載互聯(lián)網(wǎng)中的視頻數(shù)據(jù)變得越來(lái)越便利。這不僅導(dǎo)致了互聯(lián)網(wǎng)中的視頻數(shù)據(jù)的急劇增長(zhǎng),也給視頻數(shù)據(jù)的處理和存儲(chǔ)帶來(lái)了極大的挑戰(zhàn)。如何在海量視頻數(shù)據(jù)中精準(zhǔn)的查找用戶所需的視頻內(nèi)容,成為了近年來(lái)多媒體領(lǐng)域需要迫切解決的關(guān)鍵問(wèn)題之一。哈希學(xué)習(xí)可以將復(fù)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(guò)哈希碼在數(shù)據(jù)庫(kù)中進(jìn)行檢索,既可以大幅度提高檢索速度,又可以有效減少對(duì)存儲(chǔ)空間的需求。因此,基于哈希學(xué)習(xí)實(shí)現(xiàn)圖像和視頻的檢索,是近年來(lái)的一個(gè)研究熱點(diǎn)。目前,哈希學(xué)習(xí)方法在圖像檢索中已有較多研究,取得了較大的進(jìn)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(xué)習(xí)中對(duì)視頻的時(shí)空特征編碼不足,標(biāo)簽信息嵌入能力不強(qiáng),且計(jì)算復(fù)雜度較高,這導(dǎo)致檢索哈希檢索性能與應(yīng)用需求還有較大的差距。因此,本人選擇基于哈希學(xué)習(xí)的視頻檢索作為研究課題,以進(jìn)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(duì)所提方法的性能進(jìn)行了實(shí)驗(yàn)驗(yàn)證。主要研究工作概括如下:（1）基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò),提出了一種端到端的有監(jiān)督視頻哈希編碼網(wǎng)... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１?ＶＧＧ網(wǎng)絡(luò)結(jié)構(gòu)??經(jīng)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(jīng)網(wǎng)絡(luò)與傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò)相比，其主要區(qū)別在于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)通常??由輸入到隱藏層再到輸出，層與層之間為全連接的關(guān)系，而循環(huán)神經(jīng)網(wǎng)絡(luò)的每層??網(wǎng)絡(luò)輸出除了與當(dāng)前的輸入有關(guān)，也與之前序列的輸出有關(guān)。這使得網(wǎng)絡(luò)的隱藏??層并非獨(dú)立于每一層網(wǎng)絡(luò)中，而是互相連接貫穿整個(gè)輸入序列，這種結(jié)構(gòu)有利于??保存先前輸入的序列信息。得益于循環(huán)輸入的結(jié)構(gòu)，循環(huán)神經(jīng)網(wǎng)絡(luò)非常適合序列??信息的處理，在自然語(yǔ)言處理與視頻的相關(guān)場(chǎng)景中應(yīng)用廣泛。從理論上來(lái)講，循??環(huán)神經(jīng)網(wǎng)絡(luò)可以處理任意長(zhǎng)度的序列數(shù)據(jù)。圖２－２是一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示??意圖，公式（２．１）（２．２）表示了該循環(huán)神經(jīng)網(wǎng)絡(luò)的前向傳播過(guò)程。??６?°．￣１?°ｔ?°Ｍ??▲?Ａ?Ａ?ｎ??ｖ?ｖ?ｖ?ｖ??個(gè)ｗ個(gè)ｗ個(gè)ｗ??Ｖ?ｕ?ｕ?ｕ??Ｘ?ｘ，－ｌ?Ｘｔ??圖２－２循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖??１０??

?山東大學(xué)碩士學(xué)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(wǎng)絡(luò)的輸入，〇為輸出，ｔ／、Ｖ、Ｗ為權(quán)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(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中存在一些問(wèn)題，如隨著序列??的逐漸加深，序列先前部分的信息會(huì)隨著網(wǎng)絡(luò)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(wǎng)絡(luò)的反向傳播更新參數(shù)的過(guò)程中，隱藏層參數(shù)的連??乘會(huì)導(dǎo)致梯度消失從而導(dǎo)致無(wú)法更新參數(shù)的問(wèn)題�；谶@些問(wèn)題，Ｈｏｃｈｒｅｉｔｅｒ和??ＳｃｈｍｉｄｈｕｂｅｒｆＭ等人提出了一種循環(huán)神經(jīng)網(wǎng)絡(luò)的變體，長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Ｌｏｎｇ??Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ）?０??？?？?？??＾?ｔ?／?ｔ?／?ｔ??－？?—？－―?－？?－１關(guān)—?—？?－？??ａ?＾Ｉ３ＺＣ?Ａ?．??Ｌ?）?ｖｊ??Ｊ?ｖ，?ｊ??Ｉ?Ｉ?１??＠?（ｘＴ）?Ｑ??圖２－３長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)示意圖??圖２－３為長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的示意圖。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的??主要區(qū)別在于細(xì)胞狀態(tài)的加入。細(xì)胞狀態(tài)是編碼整個(gè)序列所有信息的一條信息??流，細(xì)胞狀態(tài)通過(guò)遺忘門(mén)和輸入門(mén)進(jìn)行狀態(tài)更新。每當(dāng)由新的序列信息輸入時(shí)，??遺忘門(mén)會(huì)計(jì)算之前的細(xì)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(shí)輸入門(mén)根據(jù)之前的輸出和新的輸入，計(jì)算哪些信息需要輸入細(xì)胞狀態(tài)，隨后細(xì)??胞狀態(tài)根據(jù)遺忘門(mén)和輸入門(mén)的結(jié)果進(jìn)行更新。輸出門(mén)決定了細(xì)胞狀態(tài)中的哪些信??息輸出，將更新后的細(xì)胞狀態(tài)中的信息輸出并傳遞至下一時(shí)間步。下式（２


本文編號(hào)：3131190