1. 研究目的与意义
目前在影视和监控等领域产生了大量无明显结构的视频 数据。
据加州大学柏克利分校进行的the how much information?项目表明．2002年全球产生的视频数据大约 12亿多小时，约7万tb(1eb=1024pb，1pb=1024tb)大小。
中央电视台经过40年的发展，全年新产生约3～4万小时的 视频数据。
2. 国内外研究现状分析
2.1深度学习的国内外研究现状深度学习是在最近才风靡起来的人工智能领域的技术。
在许多领域都有其身影。
其中包括人脸识别、图像处理、自然语言处理、机器视觉等。
3. 研究的基本内容与计划
本课题主要研究内容分为以下几个部分：1.指出传统手工特征算法在视频分类问题的不足2.总结分析稀疏化特征对分类的影响3.分析全局特征描述器视频分类的作用4.探究多阶段特征融合对模型泛化的有效性5.多数据集实验，对比传统神经网络和改进后网络性能本课题主要研究计划分为以下几个部分：1.相关工作调研学习卷积神经网络相关内容，研究监督和非监督学习，将所学知识运用到课题研究当中。
2.提出研究动机 查阅参考文献，研究课题的背景意义3.语言基础学习与运用（Python）4.深度学习模型的设计 包括环境配置，框架（Keras）搭建、数据集处理、训练模型等等5.模型验证与实验比较 测试数据集 优化算法6.总结 分析数据 优化结果课题的工作安排研究内容 时间安排1.查阅参考文献，研究课题的背景意义 第 1周 2.20-2.262.设计课题的方案 第 2周 2.27-3.053.学习卷积神经网络相关内容； 第 3-4周 3.06-3.194.配置环境，搭建框架； 第 5周 3.20-3.265.深度学习模型的设计； 第 6-7周 3.27-4.096.模型验证与实验比较； 第 8-9周 4.10-4.237.优化总结； 第 10 周 4.24-4.308.整理实验数据完成论文撰写； 第 11-13周 5.01-5.20
4. 研究创新点
1.提出了一个多通道特征融合深度卷积网络架构；2.以video-level特征代替传统的frame-level特征；3.局部浅层特征与深度全局特征相结合。
