基于深度學習的視頻內容識別技術研究.pdf

1、隨著互聯(lián)網和4G網絡技術的發(fā)展和普及，以及Facebook、Instagram和Snapchat等主流社交網絡對視頻業(yè)務的重視與推廣，網絡視頻業(yè)務呈蓬勃發(fā)展趨勢。然而，不斷增長的視頻數量和用戶群體，以及豐富多樣的視頻內容，卻給視頻內容的監(jiān)督和管理提出了巨大的挑戰(zhàn)。得益于深度學習在智能識別方面取得的突破性進展，基于深度學習的視頻內容識別技術逐漸成為視頻內容識別和分析的主要技術，因此，本文以深度學習為基礎，通過引入注意力機制，充分利用視頻的

2、時間特性，研究準確高效的視頻內容識別技術。
　　視頻內容識別技術的關鍵在于視頻特征的提取，而深度學習的優(yōu)勢在于其強大的特征提取能力，為了進一步研究基于深度學習的視頻內容識別技術，論文的主要工作如下：
　　首先，結合人類視覺感知方面的研究，以及LRCN模型在視頻內容識別的優(yōu)勢，提出基于注意力機制的LRCN模型，在深度學習模型中模擬人腦的注意力特性，從全局考慮視頻內容，使模型的注意力落在整個視頻的有效區(qū)域，降低無關信息對視頻內容

3、識別的干擾?；谧⒁饬C制的LRCN模型通過選擇性的注意力權重，為與視頻主題相關的區(qū)域分配較大的權重，無關的區(qū)域分配較小的權重，提取具有區(qū)分性的時間特征。
　　然后，為充分利用視頻的時間特性，采用BLSTM網絡捕捉視頻內容的上下文信息，提取更豐富的時間特征，提出基于BLSTM網絡的LRCN模型?；贐LSTM網絡的LRCN模型通過提取正向和反向的時間特征，充分利用視頻的時間信息識別視頻內容。
　　最后，采用Tensorflo

4、w深度學習開源框架對基于注意力機制的LRCN模型和基于BLSTM網絡的LRCN模型進行了仿真驗證，實驗數據采用HMDB-51和UCF-101視頻內容識別數據集。實驗表明，本文提出的基于注意力機制的LRCN模型和基于BLSTM網絡的LRCN模型可以有效提高視頻內容識別的準確率，并且基于BLSTM網絡的LRCN模型在訓練時能夠快速收斂，提高模型訓練效率，同時，本文還對基于注意力機制的LRCN模型的注意力權重進行了可視化，分析注意力權重對視頻