本书重点介绍了路边视频数据分析的方法和应用，包括基于不同类型学习算法的路边视频数据处理的各种系统结构和方法，并对分割、特征提取和分类进行了详细的分析。使用深度学习解决路边视频数据分割和分类问题是本书的主要亮点之一。深度神经网络学习已成为机器学习和数据挖掘领域的热门研究课题。然而，在享受深度学习方法无须手工特征的优势时，必须对准确性和鲁棒性进行平衡，并且大多数真实世界的学习系统仍需要一些手工的特征工程和架构。本书通过对不同类型的特征和体系进行实证测试，实现在现实世界的场景中分析多层神经网络的性能。然后，我们介绍了新的用于场景分类的架构，此架构与先前的方法相比具有相同或更好的精度。接着我们研究了卷积神经网络的特征工程。

布里杰什·维尔马(Brijesh Verma)，澳大利亚中央昆士兰大学教授，智能系统中心主任。曾任6家国际期刊的编委。主要研究方向包括计算智能和模式识别。

第一章 导论
1.1 背景
1.2 搜集路边视频数据
1.2.1 工业数据
1.2.2 测试数据
1.3 基于路边视频数据的应用
1.4 本书内容安排
参考文献
第二章 路边视频数据分析框架
2.1 概述
2.2 方法
2.2.1 路边视频数据的预处理
2.2.2 将路边视频数据切分为对象
2.2.3 对象特征提取
2.2.4 路边对象分类
2.2.5 路边对象分类应用
2.3 相关工作
2.3.1 植被切分和分类
2.3.2 通用对象切分和分类
2.4 数据处理的Matlab代码
参考文献
第三章 路边视频数据分析——非深度学习技术
3.1 神经网络学习
3.1.1 简介
3.1.2 神经网络学习方法
3.1.3 实验结果
3.1 -4 总结
3.2 支持向量机学习
3.2.1 简介
3.2.2 SVM学习方法
3.2.3 实验结果
3.2.4 总结
3.3 聚类学习
3.3.1 简介
3.3.2 聚类学习法
3.3.3 实验结果
3.3.4 总结
3.4 模糊C一均值学习
3.4.1 简介
3.4.2 模糊C一均值学习方法
3.4.3 实验结果
3.4.4 总结
3.5 集成学习
3.5.1 简介
3.5.2 集成学习方法
3.5.3 实验结果
3.5.4 总结
3.6 基于多数投票法的混合学习
3.6.1 简介
3.6.2 多数投票法
3.6.3 实验结果
3.6.4 总结
3.7 区域合并学习
3.7.1 简介
3.7.2 区域合并法
3.7.3 方法的组件
3.7.4 实验结果
3.7.5 总结
参考文献
第四章 路边视频数据分析的深度学习技术
4.1 简介
4.2 相关工作
4.3 自动与手动特征提取
4.3.1 简介
4.3.2 比较框架
4.3.3 实验结果
4.3.4 总结
4.4 单一架构VS集成架构
4.4.1 简介
4.4.2 比较框架
4.4.3 实验结果
4.4.4 总结
4.5 深度学习网络
4.5.1 简介
4.5.2 深度学习网络
4.5.3 实验结果
4.5.4 讨论
4.5.5 总结
参考文献
第五章 案例分析：火灾风险评估中的路边视频数据分析
5.1 导论
5.2 相关工作
5.3 提出的VOCGP算法
5.3.1 问题定义和动机
5.3.2 方法概览
5.3.3 草区域分割
5.3.4 基于伽博滤波器投票的主垂直方向检测
5.3.5 草像素的垂直方向连通性计算
5.4 实验结果
5.4.1 路边数据搜集
5.4.2 实验设置
5.4.3 草生物量估计的性能
5.4.4 草密度预测的性能
5.4.5 易着火区域识别
5.5 讨论
5.6 总结
参考文献
第六章 总结和展望
6.1 对未来研究的建议
6.2 新的挑战
6.3 新的机会和应用