視頻事件的分析與理解

第1章 引言
1.1 視頻事件分析與理解的背景和意義
1.2 目標(biāo)檢測的研究現(xiàn)狀
1.2.1 基于HOG/SVM的行人檢測
1.2.2 基于可變形部件模型的行人檢測
1.2.3 基于深度神經(jīng)網(wǎng)絡(luò)的行人檢測
1.2.4 基于特征融合的行人檢測
1.2.5 行人檢測中的分類器
1.2.6 行人檢測數(shù)據(jù)集
1.3 目標(biāo)跟蹤的研究現(xiàn)狀
1.3.1 目標(biāo)表示
1.3.2 統(tǒng)計(jì)建模
1.3.3 目標(biāo)跟蹤數(shù)據(jù)集
1.4 視頻事件分析與理解的研究現(xiàn)狀
1.4.1 視頻事件中的相關(guān)術(shù)語
1.4.2 視頻事件的特征表示
1.4.3 視頻事件的建模方法
1.4.4 視頻事件數(shù)據(jù)集
1.5 關(guān)于本書
第2章 視頻中的目標(biāo)檢測算法
2.1 基于深度通道特征的行人檢測方法
2.1.1 深度卷積神經(jīng)網(wǎng)絡(luò)與稀疏濾波
2.1.2 深度通道特征
2.1.3 深度通道特征的提取
2.1.4 基于深度通道特征的行人檢測
2.1.5 實(shí)驗(yàn)結(jié)果
2.2 基于特征共享和聯(lián)合Boosting方法的物體檢測方法
2.2.1 基于滑動窗口和二分類器的物體檢測框架
2.2.2 二分類Boosting方法
2.2.3 共享特征與多分類Boosting方法
2.2.4 實(shí)驗(yàn)結(jié)果
2.3 本章小結(jié)
第3章 視頻中的目標(biāo)跟蹤算法
3.1 基于多分量可變部件模型的行人跟蹤方法
3.1.1 行人可變部件模型及其初始化
3.1.2 多分量可變部件模型
3.1.3 基于多分量可變部件模型的跟蹤算法
3.1.4 自頂向下與自底向上相結(jié)合的跟蹤框架
3.1.5 實(shí)驗(yàn)結(jié)果
3.2 基于錨點(diǎn)標(biāo)簽傳播的物體跟蹤方法
3.2.1 問題描述
3.2.2 求解最優(yōu)H
3.2.3 求解軟標(biāo)簽預(yù)測矩陣A
3.2.4 軟標(biāo)簽傳播
3.2.5 基于標(biāo)簽傳播模型的跟蹤算法
3.2.6 實(shí)驗(yàn)結(jié)果
3.3 本章小結(jié)
第4章 事件時(shí)序與或圖模型的學(xué)習(xí)
4.1 事件模型的定義
4.1.1 一元和二元關(guān)系
4.1.2 原子動作
4.1.3 時(shí)序與或圖模型
4.1.4 子節(jié)點(diǎn)之間的時(shí)序關(guān)系
4.1.5 解析圖
4.2 事件模型的學(xué)習(xí)
4.2.1 一元和二元關(guān)系的檢測
4.2.2 原子動作的學(xué)習(xí)
4.2.3 事件模型的學(xué)習(xí)
4.3 實(shí)驗(yàn)結(jié)果
4.3.1 實(shí)驗(yàn)數(shù)據(jù)
4.3.2 時(shí)序與或圖學(xué)習(xí)結(jié)果
4.3.3 所學(xué)的模型有益于場景語義的識別
4.4 本章小結(jié)
第5章 基于時(shí)序與或圖模型的視頻事件解析
5.1 時(shí)序與或圖與隨機(jī)上下文相關(guān)文法
5.2 Earley在線解析算法
5.3 改進(jìn)的Earley解析算法
5.4 事件解析的定義
5.5 對事件的解析
5.6 實(shí)驗(yàn)
5.6.1 原子動作識別
5.6.2 事件解析
5.6.3 意圖預(yù)測
5.6.4 事件補(bǔ)全
5.7 本章小結(jié)
第6章 基于關(guān)鍵原子動作和上下文信息的事件解析
6.1 基于關(guān)鍵原子動作的事件解析
6.1.1 原子動作權(quán)值的學(xué)習(xí)
6.1.2 帶有原子動作權(quán)值的事件解析圖
6.1.3 基于原子動作權(quán)值的事件可識別度
6.1.4 實(shí)驗(yàn)結(jié)果
6.2 基于社會角色的事件分析
6.2.1 相關(guān)工作
6.2.2 角色建模與推斷
6.2.3 基于角色的事件識別
6.2.4 實(shí)驗(yàn)結(jié)果
6.3 基于群體和環(huán)境上下文的事件識別
6.3.1 相關(guān)工作
6.3.2 基于場景上下文的事件識別
6.3.3 基于群體上下文的事件識別
6.3.4 基于場景和群體上下文的事件識別
6.3.5 實(shí)驗(yàn)結(jié)果
6.4 本章小結(jié)
參考文獻(xiàn)