基于深度學(xué)習(xí)的視頻內(nèi)容識(shí)別技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)和4G網(wǎng)絡(luò)技術(shù)的發(fā)展和普及，以及Facebook、Instagram和Snapchat等主流社交網(wǎng)絡(luò)對(duì)視頻業(yè)務(wù)的重視與推廣，網(wǎng)絡(luò)視頻業(yè)務(wù)呈蓬勃發(fā)展趨勢(shì)。然而，不斷增長(zhǎng)的視頻數(shù)量和用戶群體，以及豐富多樣的視頻內(nèi)容，卻給視頻內(nèi)容的監(jiān)督和管理提出了巨大的挑戰(zhàn)。得益于深度學(xué)習(xí)在智能識(shí)別方面取得的突破性進(jìn)展，基于深度學(xué)習(xí)的視頻內(nèi)容識(shí)別技術(shù)逐漸成為視頻內(nèi)容識(shí)別和分析的主要技術(shù)，因此，本文以深度學(xué)習(xí)為基礎(chǔ)，通過引入注意力機(jī)制，充分利用視頻的

2、時(shí)間特性，研究準(zhǔn)確高效的視頻內(nèi)容識(shí)別技術(shù)。
　　視頻內(nèi)容識(shí)別技術(shù)的關(guān)鍵在于視頻特征的提取，而深度學(xué)習(xí)的優(yōu)勢(shì)在于其強(qiáng)大的特征提取能力，為了進(jìn)一步研究基于深度學(xué)習(xí)的視頻內(nèi)容識(shí)別技術(shù)，論文的主要工作如下：
　　首先，結(jié)合人類視覺感知方面的研究，以及LRCN模型在視頻內(nèi)容識(shí)別的優(yōu)勢(shì)，提出基于注意力機(jī)制的LRCN模型，在深度學(xué)習(xí)模型中模擬人腦的注意力特性，從全局考慮視頻內(nèi)容，使模型的注意力落在整個(gè)視頻的有效區(qū)域，降低無關(guān)信息對(duì)視頻內(nèi)容

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

4、w深度學(xué)習(xí)開源框架對(duì)基于注意力機(jī)制的LRCN模型和基于BLSTM網(wǎng)絡(luò)的LRCN模型進(jìn)行了仿真驗(yàn)證，實(shí)驗(yàn)數(shù)據(jù)采用HMDB-51和UCF-101視頻內(nèi)容識(shí)別數(shù)據(jù)集。實(shí)驗(yàn)表明，本文提出的基于注意力機(jī)制的LRCN模型和基于BLSTM網(wǎng)絡(luò)的LRCN模型可以有效提高視頻內(nèi)容識(shí)別的準(zhǔn)確率，并且基于BLSTM網(wǎng)絡(luò)的LRCN模型在訓(xùn)練時(shí)能夠快速收斂，提高模型訓(xùn)練效率，同時(shí)，本文還對(duì)基于注意力機(jī)制的LRCN模型的注意力權(quán)重進(jìn)行了可視化，分析注意力權(quán)重對(duì)視頻