content0

content1

content2

content3

content4

content5

content6

content7

content8

content9

content10

content11

content12

content13

content14

content15

content16

content17

content18

content19

content20

content21

content22

content23

content24

content25

content26

content27

content28

content29

content30

content31

content32

content33

content34

content35

content36

content37

content38

content39

content40

content41

content42

content43

content44

content45

content46

content47

content48

content49

content50

content51

content52

content53

content54

content55

content56

content57

content58

content59

content60

content61

content62

content63

content64

content65

content66

content67

content68

content69

content70

content71

content72

content73

content74

content75

content76

content77

content78

content79

content80

content81

content82

content83

content84

content85

content86

content87

content88

content89

content90

content91

content92

content93

content94

content95

content96

content97

content98

content99

content100

content101

content102

content103

content104

content105

content106

content107

content108

content109

content110

content111

content112

content113

content114

content115

content116

content117

content118

content119

content120

content121

content122

content123

content124

content125

content126

content127

content128

content129

content130

content131

content132

content133

content134

content135

content136

content137

content138

content139

content140

content141

content142

content143

content144

content145

content146

content147

content148

content149

content150

content151

content152

content153

content154

content155

content156

content157

content158

content159

content160

content161

content162

content163

content164

content165

content166

content167

content168

content169

content170

content171

content172

content173

content174

content175

content176

content177

content178

content179

content180

content181

content182

content183

content184

content185

content186

content187

content188

content189

content190

content191

content192

content193

content194

content195

content196

content197

content198

content199

返回顶部 关闭

神经网络技术在网络视频处理的应用探讨

2018-07-21 07:28    来源:网络整理    作者:千旺900

中关村在线( )是一家集产品数据、专业资讯、科技视频、互动行销为一体的复合型媒体网站。公司内部每天都要对网站大量的文字,图片,视频进行处理。给视频贴标签,给文章配图,分类等等。公司主要是依赖人工来处理这些信息的,但是人工处理存在着工作量大,成本高,效率低的问题。于是公司组建了大数据部门,希望通过科技的手段来缓解人工处理信息的压力。

机器学习与神经网络(machine learning):

那么什么样的科技才能帮到我们呢?首先把目光投向了机器学习,也就是所谓的machine learning。机器学习简单的说就是要让电脑自己学习,就像老师教学生数学题一样,先给计算机展示一些例子,然后让计算机自己去做题。希望通过这个理念来训练计算机思考,代替人力。能够实现机器学习的算法多种多样,每种算法都有自己的特点和优劣势。而我想要重点介绍的一个比较先进的算法,人工神经网络(Artificial Neural Networks,简写为ANNs)。它是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。神经网络的是一个较为新的算法概念。其出现使得机器学习有了突飞猛进的进展。人工神经网络在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题,表现出了良好的智能特性。而卷积神经网络(cnn)更是用途最广的神经网络之一。它具有一定的抽象能力,可以提取数据的特征,鲁棒性较强。也就是说如果同一组数据发生了变化,卷积神经网络也一样可以适应这些变化。例如时下流行的人脸识别,新款的iPhone8 和iPhoneX应用的正是卷积神经网络来做到的人脸解锁。百度搜索引擎也利用了卷积神经网络实现了精准的黄色,垃圾,恐怖等非法图片,非法网址的识别。

二、问题的提出:

由于目前谷歌等大型网络公司对神经网络的深入研究。现在卷积神经网络已经能对文字和图片的进行识别高效而准确的识别。但是对于视频内容的识别还处于开始阶段。于是我想在卷积神经网络在视频信息处理的可行性方面做出一点探究。而这次我把目光投向了游戏视频。

游戏直播一直都是网络直播行业的主力军。而为了保留下精彩瞬间吸引更多观众,各大直播平台也纷纷推出了自己的录播平台,上传自己游戏主播的精彩视频。但是,将整段整段的录播内容上传十分耗费时间,保留这些视频也十分耗费内存。如果能对视频进行切割,只保留有游戏的部分,除掉其它与游戏无关部分,将会大大缓解这些问题,并且还能方便看录像的观众跳过等待时间。但是,对视频进行分段十分耗费人力。中国目前知名的直播平台douyuTV,仅游戏类主播每天就能产生上千个小时的录播视频。人力将无法有效地处理如此庞大的数据量,因此我想尝试卷积神经网络是否能对这些游戏视频做出高效的处理。本文将通过机器学习来建立 “绝地大逃杀” 这款游戏视频的卷积神经网络模型,使其对这款游戏开始,游戏中,和结束3各阶段进行识别。

三、 问题的研究分析:

实验对象分析:

绝地大逃杀是一款第一人称视角射击类游戏。游戏本身采用了当下比较流行MOBA类游戏模式。既游戏分为一场又一场的比赛,比赛之间相互独立,且每局比赛有鲜明的开始和结束画面,便于识别。在这方面与之相类似的还有很多人气很高的游戏:League of Legend, dota2, Overwatch, 等等。如果我能通过机器学习对这款游戏的视频进行分段,那么说明对其他游戏这类游戏也同样可行。

算法分析:

现在存在着很多种卷积神经网络,而我下面想要重点介绍2D卷积神经网络,和3d卷积神经网络。这两类卷积神经网络擅长于捕捉数据的特点并对其进行分类,正是我需要的算法。

2D卷积神经网络:

神经网络技术在网络视频处理的应用探讨


2D卷积神经网络比传统神经网络多出的部分就是卷积层和采样层。比如我们想识别所有带有狗的图片,而现在输入层是就是一张带有狗的图片。想要让神经网络理解什么是狗,我们先要大致预测这张照片展现了多少狗的特征,这就是卷积的含义了。如上图所示,如果我预测狗有40个特征,那么这一张照片将被分成40份(c1层),分别做检测,每一份检测一个特征。但是由于机器的限制,第一次卷积每一个特征的大小都是相同的,也就是说第一次卷积可能只检测到5x5像素大小的狗的特征。而还有一些狗的更大的特征无法被检测。于是我们要降采样。保留c1层检测到的特征的位置,把没有特征的像素去掉。我们得到了一张更模糊的图片(s1层),然后对这张更模糊的图片再次卷积,然后再降采样,如此往复,直到图片的像素少到难以判断这是什么的时候。最后一步,把所有最后一层的小图片们中的像素展开,形成一列,这一过程就是上图的全连接。把它们输入传统人工神经网络分析,得到输出,这到底是不是狗。

3D卷积神经网络:

转载免责声明
本文仅代表作者个人观点,与中国国土资源报网无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
国土在线
北京pk10 北京pk10 传奇私服 pk10 pk10开奖 彩票网址导航 彩票网址 天气预报查询 天气预报网 天天财富网
古文观止   |    2015四川大学   |    川大:反对   |    川大男生群   |    四川大学生   |    四川大学华   |    锦江区与四   |    人民教育出   |    人民教育出   |   
主管:中华人民共和国国土资源部 主办:中国国土资源报社
承办:北京中地世纪文化传媒中心 运维:北京金地世纪文化传媒有限公司
经营许可证编号:京ICP证140100号    广播电视节目制作经营许可证     ICP备:京ICP备13053122号     京公网安备:110102006002    违法和不良信息举报
主办单位:广汉市国土资源局 技术支持:同华锐捷
支持:国土信息中心@Copyright2003-2017 未经授权,禁止转载
建议使用IE8及以上浏览器 分辨率1024*768及以上 蜀ICP备14014641号