基于视频的元素统计与分析研究
发布时间:2021-11-26 07:40
广告,作为宣传一件物品或是一项理念的重要手段,广泛的出现在人们的日常生活中;无论是物品的宣传还是理念的宣传,都会给社会带来一定的商业价值或是向人们传播一类文化,因此,一段高质量的广告总会给社会的发展带来助力。随着社会经济的发展,早期的报纸、广播等传统的广告形式已逐步被在线广告所替代,在线广告也称网络广告,互联网广告,指的是在线媒体上投放的广告,与传统广告不同的是,在线广告在过去二十几年的发展过程中形成了以人群为投放目标和以产品为导向的技术型投放模式。与此同时,如今的在线广告的产品形态和业务逻辑更为复杂,如果想要对在线广告的创作上有宏观的掌控,必须从两个方向去探索,一是广告的内涵,即广告商业活动的定义与目的;二是广告的外延,即在线广告发展过程中产生的关键产品形态;因此,内涵与外延成为了高质量广告创作的代名词,人群的需求和产品的导向成为了高质量广告的高影响因子。大数据时代,所有的分析方法都是基于高质量的数据统计结果,因此,本文提出针对室内家居这一类视频广告做广告元素统计的方法,获取并统计视频广告中每一类元素出现的频率信息;本方法中主要涉及到帧间差分算法、光流估计算法以及深度学习中的目标检测...
【文章来源】:杭州师范大学浙江省
【文章页数】:83 页
【学位级别】:硕士
【部分图文】:
感知机模型
杭州师范大学硕士学位论文相关理论和研究综述11感知机是一种判别式的线性分类模型,可以解决与、或、非这样的简单的线性可分问题。2.3.2激活函数与损失函数激活函数[28]是神经网络设计的核心单元,激活函数是用来加入非线性因素的,因为线性模型的表达能力不够。激活函数需要满足以下几个条件:a.非线性,如果激活函数是线性的,那么不管引入多少隐藏层,效果和单层感知机没有差别;b.可微性,训练网络时使用的是基于梯度优化的方法所需的激活函数必须可微;c.单调性,保证网络模型的简单。常见的激活函数如下图2-3所示。图2-3常见激活函数损失函数[28]也叫代价函数,是神经网络优化的目标函数,神经网络训练或者优化的过程就是最小化损失函数的过程(损失函数值小了,对应预测的结果和真实结果的值就越接近)。
杭州师范大学硕士学位论文相关理论和研究综述13图2-4去均值与归一化效果图图2-5去相关与白化效果图2.4.2卷积计算卷积计算是卷积神经网络中最核心的部分,卷积用来提取图像的局部特征,如下图2-6所示,绿色矩阵是输入图像,黄色矩阵是卷积核,粉色矩阵是计算得到的卷积特征,卷积操作实际上用卷积核在图像矩阵上滑动,对卷积核矩阵与图像矩阵中对应位置做以下计算:对应元素相乘后求和。图2-6卷积操作过程
【参考文献】:
期刊论文
[1]大数据精准营销下新媒体广告的发展现状研究[J]. 钟晓芳. 视听. 2019(04)
[2]基于改进损失函数的YOLOv3网络[J]. 吕铄,蔡烜,冯瑞. 计算机系统应用. 2019(02)
[3]论广告素材在消费文化中的变迁[J]. 张丹. 电视指南. 2017(21)
[4]精准·互动——数字传播时代广告公司业务模式的重构[J]. 姚曦,李斐飞. 新闻大学. 2017(01)
[5]移动互联网时代程序化广告的全景匹配[J]. 王佳炜,杨艳. 当代传播. 2016(01)
[6]基于SimpleFlow的人群场景异常运动方向区域的识别[J]. 黄继明,马士友,张振华. 现代计算机(专业版). 2013(06)
[7]MPEG压缩域关键帧提取的研究[J]. 邱多,王成儒. 计算机安全. 2011(01)
[8]一种基于压缩域下关键帧提取算法的研究[J]. 杨泉,任小康. 电脑知识与技术. 2009(01)
[9]一种基于互信息量的关键帧提取方法[J]. 黄兰英. 孝感学院学报. 2008(03)
[10]基于帧间似然比的关键帧提取算法[J]. 杨强,马森,黄地龙. 中国有线电视. 2006(17)
硕士论文
[1]镜头检测切分的研究与实现[D]. 张大伟.北京交通大学 2006
本文编号:3519692
【文章来源】:杭州师范大学浙江省
【文章页数】:83 页
【学位级别】:硕士
【部分图文】:
感知机模型
杭州师范大学硕士学位论文相关理论和研究综述11感知机是一种判别式的线性分类模型,可以解决与、或、非这样的简单的线性可分问题。2.3.2激活函数与损失函数激活函数[28]是神经网络设计的核心单元,激活函数是用来加入非线性因素的,因为线性模型的表达能力不够。激活函数需要满足以下几个条件:a.非线性,如果激活函数是线性的,那么不管引入多少隐藏层,效果和单层感知机没有差别;b.可微性,训练网络时使用的是基于梯度优化的方法所需的激活函数必须可微;c.单调性,保证网络模型的简单。常见的激活函数如下图2-3所示。图2-3常见激活函数损失函数[28]也叫代价函数,是神经网络优化的目标函数,神经网络训练或者优化的过程就是最小化损失函数的过程(损失函数值小了,对应预测的结果和真实结果的值就越接近)。
杭州师范大学硕士学位论文相关理论和研究综述13图2-4去均值与归一化效果图图2-5去相关与白化效果图2.4.2卷积计算卷积计算是卷积神经网络中最核心的部分,卷积用来提取图像的局部特征,如下图2-6所示,绿色矩阵是输入图像,黄色矩阵是卷积核,粉色矩阵是计算得到的卷积特征,卷积操作实际上用卷积核在图像矩阵上滑动,对卷积核矩阵与图像矩阵中对应位置做以下计算:对应元素相乘后求和。图2-6卷积操作过程
【参考文献】:
期刊论文
[1]大数据精准营销下新媒体广告的发展现状研究[J]. 钟晓芳. 视听. 2019(04)
[2]基于改进损失函数的YOLOv3网络[J]. 吕铄,蔡烜,冯瑞. 计算机系统应用. 2019(02)
[3]论广告素材在消费文化中的变迁[J]. 张丹. 电视指南. 2017(21)
[4]精准·互动——数字传播时代广告公司业务模式的重构[J]. 姚曦,李斐飞. 新闻大学. 2017(01)
[5]移动互联网时代程序化广告的全景匹配[J]. 王佳炜,杨艳. 当代传播. 2016(01)
[6]基于SimpleFlow的人群场景异常运动方向区域的识别[J]. 黄继明,马士友,张振华. 现代计算机(专业版). 2013(06)
[7]MPEG压缩域关键帧提取的研究[J]. 邱多,王成儒. 计算机安全. 2011(01)
[8]一种基于压缩域下关键帧提取算法的研究[J]. 杨泉,任小康. 电脑知识与技术. 2009(01)
[9]一种基于互信息量的关键帧提取方法[J]. 黄兰英. 孝感学院学报. 2008(03)
[10]基于帧间似然比的关键帧提取算法[J]. 杨强,马森,黄地龙. 中国有线电视. 2006(17)
硕士论文
[1]镜头检测切分的研究与实现[D]. 张大伟.北京交通大学 2006
本文编号:3519692
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3519692.html
最近更新
教材专著