文摘
英文文摘
论文说明:图格目录
声明
第一章绪论
1.1 课题背景与研究意义
1.2 基于机器学习方法的视频标注原理
13 国内外研究和发展现状
1.4 本论文研究的主要内容和结构安排
第二章视频结构分析、特征提取与常用学习算法介绍
2.1 视频结构分析
2.1.1镜头检测
2.1.2子镜头切分
2.1.3关键帧抽取
2.2 特征提取
2.2.1 颜色直方图
2.2.2颜色矩
2.2.3颜色相关图
2.2.4边缘分布直方图
2.2.5小波纹理特征
2.2.6共生纹理
2.2.7 Tamura纹理
2.2.8 自回归纹理
2.3 常用学习算法介绍
2.3.1核密度估计(KDE)
2.3.2高斯混合模型(GMM)
2.3.3支持向量机(SVM)
2.3.4各算法的优缺点
2.4 视频标注的性能评价
2.5 数据集与概念集介绍
笫三章基于半监督核密度估计的自动视频标注
3.1 半监督学习
3.2 半监督核密度估计(SSKDE)
3.2.1扩展核密度估计
3.2.2 SSKDE的推导
3.3 相关讨论
3.3.1 SSKDE的求解
3.3.2与基于图的半监督学习的关系
3.4 半监督自适应核密度估计(SSAKDE)
3.5 试验
3.5.1 仿真试验
3.5.2.手写数字和手写字母识别试验
3.5.3 视频标注试验
3.5.4 运算量分析
3.6 对未标注样本作用的分析
3.7 本章小节
笫四章基于多图半监督学习的统一自动视频标注
4.1 视频标注中的问题和相关工作
4.1.1 维数灾难与多模态融合
4.1.2距离度量的选择
4.1.3时间连续性的挖掘
4.1.4 讨论
4.2 最优多图半监督学习(OMG-SSL)
4.2.1基于单图的半监督学习
4.2.2 单图到多图的扩展
4.2.3 OMG-SSL
4.3 基于OMG-SSL的视频标注
4.4 试验验证
4.4.1人物识别
4.4.2视频标注
4.5 运算量分析
4.6 本章小节
第五章基于多概念多模态主动学习的半自动视频标注
5.1 基于主动学习的半自动视频标注
5.2 多概念多模态主动学习
5.3 概念选择
5.4 Manifold-Ranking
5.5 样本选择
5.5.1 Infonnativeness准则
5.5.2 Density准则
5.5.3 Diversity准则
5.5.4多模态样本选择
5.6试验验证
5.6.1 Manifold-Ranking性能度量
5.6.2 样本选择策略的试验验证
5.6.3概念选择策略的试验验证
5.6.4运算量分析
5.7 讨论
5.8 本章小节
第六章基于互训练的视频镜头大小标注
6.1 视频镜头大小标注的意义
6.2 所提视频镜头大小标注方法
6.3 特征提取
6.4 分类算法
6.4.1基于底层特征与中层特征的互训练
6.4.2判决准则
6.5 试验验证
6.5.1关于特征集的试验
6.5.2关于互训练的试验
6.5.3关于代价敏感决策的试验
6.6 本章小节
第七章总结和展望
7.1 本文总结
7.2 研究工作展望
参考文献
攻读学位期间成果及项目情况
致谢