子空间学习及其在图像集分类中的应用研究
| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 1 绪论 | 第14-26页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 研究现状 | 第15-21页 |
| 1.2.1 子空间学习 | 第15-19页 |
| 1.2.2 图像集分类 | 第19-21页 |
| 1.3 存在问题 | 第21-22页 |
| 1.4 本文工作 | 第22-24页 |
| 1.5 本文组织结构 | 第24-26页 |
| 2 相关概念和技术准备 | 第26-36页 |
| 2.1 子空间基本概念 | 第26-27页 |
| 2.2 自表示学习策略 | 第27-28页 |
| 2.3 ADMM优化框架 | 第28-29页 |
| 2.4 格拉斯曼流形上的共轭梯度下降 | 第29-31页 |
| 2.5 常用数据库 | 第31-34页 |
| 2.5.1 人脸数据库 | 第31-32页 |
| 2.5.2 物体数据库 | 第32-33页 |
| 2.5.3 动态纹理库 | 第33-34页 |
| 2.6 本章小结 | 第34-36页 |
| 3 基于受限弹性网的子空间聚类方法 | 第36-60页 |
| 3.1 引言 | 第36-38页 |
| 3.2 相关工作 | 第38-39页 |
| 3.3 受限弹性网模型 | 第39-46页 |
| 3.3.1 本章提出的方法 | 第39-40页 |
| 3.3.2 基于形状交互表示的加权方法 | 第40-42页 |
| 3.3.3 实现 | 第42-43页 |
| 3.3.4 CEN的非负扩展 | 第43-46页 |
| 3.4 实验结果与讨论 | 第46-56页 |
| 3.4.1 权重的作用 | 第48-49页 |
| 3.4.2 参数的影响 | 第49-51页 |
| 3.4.3 CEN在子空间聚类结果 | 第51-53页 |
| 3.4.4 CEN用于基于图的半监督分类 | 第53-56页 |
| 3.4.5 运行时间比较 | 第56页 |
| 3.5 本章小结 | 第56-57页 |
| 附录 | 第57-60页 |
| 3.A 定理3.1证明 | 第57页 |
| 3.B 定理3.2证明 | 第57-58页 |
| 3.C 定理3.3证明 | 第58-60页 |
| 4 基于组协同表示的图像集分类 | 第60-90页 |
| 4.1 引言 | 第60-62页 |
| 4.2 相关工作 | 第62-64页 |
| 4.3 组协作表示 | 第64-67页 |
| 4.3.1 图像集多局部结构抽取 | 第64-65页 |
| 4.3.2 点到多个集合表示 | 第65-66页 |
| 4.3.3 集合到多个集合表示 | 第66-67页 |
| 4.4 优化过程 | 第67-71页 |
| 4.4.1 PSsR的优化 | 第67-70页 |
| 4.4.2 SSsR的优化 | 第70-71页 |
| 4.5 使用GCR进行图像集分类 | 第71-73页 |
| 4.6 实验 | 第73-84页 |
| 4.6.1 方法 | 第74页 |
| 4.6.2 参数的影响 | 第74-76页 |
| 4.6.3 图像集分类结果及讨论 | 第76-80页 |
| 4.6.4 运行时间比较 | 第80-82页 |
| 4.6.5 图像集大小对性能的影响 | 第82-83页 |
| 4.6.6 结合GCR与已存集合分类方法 | 第83-84页 |
| 4.7 结论 | 第84页 |
| 附录 | 第84-90页 |
| 5 半监督多流形学习及其在图像集分类中的应用 | 第90-106页 |
| 5.1 引言 | 第90-91页 |
| 5.2 相关工作 | 第91-93页 |
| 5.3 提出方法 | 第93-98页 |
| 5.3.1 流形上的自表示学习 | 第93-94页 |
| 5.3.2 半监督单流形学习 | 第94-96页 |
| 5.3.3 半监督多流形学习 | 第96-98页 |
| 5.4 实验 | 第98-104页 |
| 5.4.1 不同流形的表示 | 第99页 |
| 5.4.2 方法 | 第99-100页 |
| 5.4.3 基于图像集的人脸识别结果 | 第100页 |
| 5.4.4 基于图像集的物体识别 | 第100-101页 |
| 5.4.5 动态纹理分类 | 第101页 |
| 5.4.6 相关讨论 | 第101-104页 |
| 5.5 结论 | 第104-106页 |
| 6 基于聚类三元损失函数的流形判别分析 | 第106-116页 |
| 6.1 引言 | 第106-107页 |
| 6.2 相关工作 | 第107-108页 |
| 6.3 适应性聚类三元损失函数(ACTL) | 第108-109页 |
| 6.3.1 ACTL在SPD流形上的实现 | 第108-109页 |
| 6.3.2 ACTL在欧氏空间内实现 | 第109页 |
| 6.4 优化 | 第109-110页 |
| 6.5 实验 | 第110-113页 |
| 6.5.1 实验及方法设置 | 第110-111页 |
| 6.5.2 人脸识别与物体分类结果 | 第111页 |
| 6.5.3 动态纹理识别结果 | 第111-112页 |
| 6.5.4 讨论 | 第112-113页 |
| 6.6 本章小结 | 第113-116页 |
| 7 总结与展望 | 第116-118页 |
| 7.1 本文工作总结 | 第116页 |
| 7.2 未来展望 | 第116-118页 |
| 参考文献 | 第118-128页 |
| 攻读博士学位期间发表的学术论文和研究成果 | 第128-132页 |
| 学位论文数据集 | 第132页 |
