声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：程晓阳,詹永照,毛启容,詹智财,
关键词：视频语义, 卷积神经网络, 深度学习, 拓扑稀疏编码, 预训练,
视频特征的深度学习已成为视频对象检测、动作识别、视频事件检测等视频语义分析方面的研究热点.视频图像的拓扑信息对描述图像内容的关联关系有着重要的作用，同时综合视频序列特性考虑以有标签的视频进行优化学习，将有利于提高视频特征表达的可鉴别性.基于上述考虑，提出一种基于拓扑稀疏编码预训练CNN的视频特征学习方法并用于视频语义分析，该方法将视频特征学习分为2个阶段：半监督视频图像特征学习和有监督的视频序列特征的优化学习.1)在半监督视频图像特征学习中，构建了一个新的拓扑稀疏编码器用之于预训练各层神经网络参数，使视频图像的特征表达能反映图像的拓扑信息，并在图像特征学习的全连接层以有标签的视频概念类别进行逻辑回归微调网络参数.2)在有监督的视频序列特征的优化学习中，构建了视频特征学习的全连接层，综合有标签的视频序列关键帧特征，建立逻辑回归约束，微调网络参数，以实现类别更具可鉴别的视频特征的优化.在典型的视频数据集上进行了相关方法的视频语义概念检测实验，实验结果表明:所提出的方法对视频特征的表达更具可鉴别性，能有效提高视频语义概念检测率.
来源：2018年第12期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。