返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 智能视频数据处理与挖掘 梁美玉 著 大中专 文轩网
  • 新华书店正版
    • 作者: 梁美玉著
    • 出版社: 北京邮电大学出版社
    • 出版时间:2022-04-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 梁美玉著
    • 出版社:北京邮电大学出版社
    • 出版时间:2022-04-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2022-04-01
    • 字数:240000
    • 页数:204
    • 开本:16开
    • 装帧:平装
    • ISBN:9787563564446
    • 国别/地区:中国
    • 版权提供:北京邮电大学出版社

    智能视频数据处理与挖掘

    作  者:梁美玉 著
    定  价:48
    出 版 社:北京邮电大学出版社
    出版日期:2022年04月01日
    页  数:204
    装  帧:平装
    ISBN:9787563564446
    主编推荐

    内容简介

    本书主要研究了智能视频数据处理与挖掘相关技术及应用,以提高视频数据中异常事件检测与识别的智能化、精准化、鲁棒性、实时性等性能为目的,从而实现对异常突发事件及时预测和预警,保障公共安全。本书首先研究了视频数据的去噪技术,重点研究了基于残差卷积神经网络的视频去噪算法;然后研究了视频数据的超分辨率重建技术,重点研究了基于深度学习、半耦合字典学习和时空非局部相似性特征的视频超分辨率重建算法;其次研究了视频的显著性时空特征提取算法,然后在此基础上研究了视频异常事件检测与识别技术,重点研究了基于稀疏组合学习的视频异常事件检测算法,以及基于时空感知深度网络的视频异常事件识别算法。最后构建了视频数据去噪和超分辨率重建系统,并以面向智慧旅游领域的旅游景区视频数据为例,将本书提出的相关模型和算法应用于旅游景区视频数据的智能挖掘,构建了旅游景区视频异常事件检测与识别系统,及时自动监测旅游突发事件。此外,本书相关null

    作者简介

    精彩内容

    目录
    第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.2.1 视频超分辨率重建方法的研究现状
    1.2.2 视频去噪方法的研究现状
    1.2.3 视频异常事件检测方法的研究现状
    1.2.4 视频异常事件识别方法的研究现状
    参考文献
    第2章 相关技术
    2.1 稀疏字典学习
    2.1.1 低秩矩阵的生成
    2.1.2 低秩矩阵的分解
    2.2 视频的时空相似性学习
    2.3 视频特征提取
    2.3.1 运动目标检测
    2.3.2 背景建模方法
    2.3.3 行为特征表示
    2.4 基于深度学习模型的视频超分辨率重建
    2.4.1 基于深度卷积神经网络的超分辨率重建算法概述
    2.4.2 深度卷积神经网络在超分辨率重建算法中的应用
    2.5 视频异常事件检测
    2.5.1 基于深度学习的异常事件检测方法
    2.5.2 基于稀疏表示的异常事件检测方法
    2.6 视频异常事件识别
    本章小结
    参考文献
    第3章 基于残差卷积神经网络的视频去噪
    3.1 基于残差卷积神经网络的视频去噪算法框架
    3.2 基于残差卷积神经网络的视频去噪算法实现
    3.2.1 基于低秩矩阵分解的稀疏字典去噪
    3.2.2 残差图像预处理
    3.2.3 卷积神经网络训练
    3.2.4 基于残差卷积神经网络的视频去噪算法的实现步骤
    3.3 实验结果及分析
    3.3.1 实验一:不同噪声方差下对随机噪声的去噪效果对比实验
    3.3.2 实验二:相同噪声方差下对不同噪声的去噪效果对比实验
    本章小结
    参考文献
    第4章 基于半耦合字典学习和时空非局部相似性的视频超分辨率重建
    4.1 引言
    4.2 视频超分辨率重建观测模型
    4.3 基于非局部相似性的超分辨率重建
    4.4 基于半耦合字典学习和时空非局部相似性的视频超分辨率重建算法
    4.4.1 CNLSR算法研究动机
    4.4.2 CNLSR算法框架
    4.4.3 CNLSR算法数学模型
    4.4.4 CNLSR算法描述
    4.4.5 CNLSR算法步骤
    4.5 实验结果与分析
    4.5.1 实验数据集
    4.5.2 客观评价指标
    4.5.3 实验结果与分析
    本章小结
    参考文献
    第5章 基于深度学习和时空特征自相似性的视频超分辨率重建
    5.1 引言
    5.2 基于深度学习和时空特征相似性的视频超分辨率重建算法
    5.2.1 DLsS-VSR算法研究动机
    5.2.2 DLss-VSR算法框架
    5.2.3 DLSs-VSR算法数学模型
    5.2.4 DLSs-VSR算法描述
    5.2.5 DLSS-VSR算法步骤
    5.3 实验结果与分析
    5.3.1 实验数据集
    5.3.2 客观评价指标
    5.3.3 实验结果与分析
    本章小结
    参考文献
    第6章 视频显著性时空特征提取
    6.1 视频显著性时空特征提取的算法框架
    6.2 视频显著性时空特征提取的算法实现
    6.2.1 视频背景建模和前景检测
    6.2.2 视频显著性时空特征提取
    6.2.3 视频显著性时空特征降维
    6.3 视频显著性时空特征提取实验结果
    6.3.1 视频背景建模和前景检测结果
    6.3.2 视频显著性时空特征提取结果
    本章小结
    参考文献
    第7章 基于稀疏组合学习的视频异常事件检测
    7.1 基于稀疏组合学习的视频异常事件检测的算法框架
    7.2 基于稀疏组合学习的视频异常事件检测的算法实现
    7.2.1 基于稀疏组合学习的异常事件检测的主要思想
    7.2.2 基于稀疏组合学习的异常事件检测的训练过程
    7.2.3 基于稀疏组合学习的异常事件检测的测试过程
    7.3 实验结果与分析
    7.3.1 数据集
    7.3.2 评价指标
    7.3.3 ScenicSpot景区数据集的实验结果与分析
    7.3.4 Avenue标准数据集的实验结果与分析
    7.3.5 UCSD Pedl数据集的实验结果与分析
    本章小结
    参考文献
    第8章 基于时空感知深度网络的视频异常事件识别
    8.1 基于时空感知深度网络的视频异常事件识别的算法框架
    8.2 基于时空感知深度网络的视频异常事件识别的算法实现
    8.2.1 时空感知深度网络
    8.2.2 时空金字塔池化
    8.2.3 基于时空感知深度网络的异常事件识别
    8.3 实验结果与分析
    8.3.1 数据集
    8.3.2 评价指标
    8.3.3 旅游景区数据集的实验结果与分析
    8.3.4 Avenue数据集的实验结果与分析
    本章小结
    参考文献
    第9章 视频数据去噪和超分辨率重建系统
    9.1 引言
    9.2 系统总体设计
    9.3 系统详细设计
    9.3.1 视频预处理模块详细设计
    9.3.2 视频超分辨率重建模块详细设计
    9.3.3 性能评价模块详细设计
    9.4 系统主要功能模块的实现
    9.4.1 视频预处理模块的实现
    9.4.2 视频超分辨率重建模块的实现
    9.4.3 性能评价模块的实现
    本章小结
    第10章 旅游景区视频异常事件检测与识别系统
    10.1 系统需求分析
    10.2 系统总体设计
    10.3 系统功能模块的详细设计
    10.3.1 视频特征提取模块
    10.3.2 异常事件检测模块
    10.3.3 异常事件识别模块
    ……

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购