首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

基于稀疏表示的特征提取与分类方法研究

摘要第5-6页
Abstract第6-7页
1 引言第17-27页
    1.1 特征提取方法概述第18-20页
        1.1.1 线性特征提取方法研究现状第18-19页
        1.1.2 非线性特征提取方法研究现状第19-20页
    1.2 稀疏表示概述第20-23页
        1.2.1 稀疏表示原理第21-22页
        1.2.2 常用求解稀疏编码的算法第22-23页
    1.3 字典学习理论第23-25页
        1.3.1 最优方向方法第24页
        1.3.2 K-奇异值分解算法第24-25页
    1.4 本文研究工作概述第25-26页
    1.5 本文的组织结构第26-27页
2 基于稀疏表示分类器的最优鉴别投影方法第27-41页
    2.1 引言第27-28页
    2.2 相关工作第28-30页
        2.2.1 稀疏表示分类器第28-29页
        2.2.2 基于稀疏表示分类器的鉴别投影方法(SRC-DP)第29-30页
        2.2.3 基于正交约束的迹比优化问题第30页
    2.3 基于迹比优化的鉴别投影方法第30-31页
        2.3.1 模型的提出第30-31页
        2.3.2 模型的优化第31页
    2.4 基于两级优化模型的鉴别投影方法第31-35页
        2.4.1 模型的提出第31-32页
        2.4.2 模型的优化第32-35页
    2.5 实验结果与分析第35-40页
        2.5.1 在AR数据集上的实验第35-37页
        2.5.2 在Extended Yale B数据集上的实验第37-38页
        2.5.3 在CMU PIE数据集上的实验第38-40页
        2.5.4 讨论第40页
    2.6 本章小结第40-41页
3 基于稀疏表示的联合核字典与鉴别投影学习方法第41-57页
    3.1 引言第41-42页
    3.2 相关工作第42-43页
        3.2.1 字典学习第42页
        3.2.2 核稀疏表示分类器第42-43页
    3.3 基于稀疏表示的联合核字典与鉴别投影学习方法第43-47页
        3.3.1 模型的提出第43-44页
        3.3.2 模型的优化第44-45页
        3.3.3 初始化设置第45-46页
        3.3.4 收敛性分析第46页
        3.3.5 分类策略第46-47页
    3.4 实验结果与分析第47-56页
        3.4.1 参数设置第48-49页
        3.4.2 人脸识别第49-51页
        3.4.3 数字识别第51-52页
        3.4.4 目标分类第52-53页
        3.4.5 性别分类第53-54页
        3.4.6 时间复杂度第54-56页
    3.5 本章小节第56-57页
4 基于协同表示的联合核字典与鉴别投影学习方法第57-67页
    4.1 引言第57页
    4.2 相关工作第57-58页
        4.2.1 协同表示分类器第57-58页
    4.3 基于协同表示的联合核字典与鉴别投影学习方法第58-60页
        4.3.1 核协同表示分类器第58页
        4.3.2 模型的提出第58-59页
        4.3.3 模型的优化第59-60页
    4.4 实验结果与分析第60-66页
        4.4.1 参数设置第60-61页
        4.4.2 人脸识别第61-64页
        4.4.3 物体识别第64页
        4.4.4 数字识别第64-65页
        4.4.5 运行时间第65-66页
    4.5 本章小结第66-67页
5 基于多核稀疏表示的鉴别投影方法第67-81页
    5.1 引言第67-68页
    5.2 相关工作第68-69页
        5.2.1 多核学习第68页
        5.2.2 MKL-SRC第68-69页
    5.3 多核稀疏表示分类器第69-70页
    5.4 基于多核稀疏表示的正交鉴别投影第70-73页
        5.4.1 模型的提出第70-71页
        5.4.2 模型的优化第71-73页
    5.5 实验结果与分析第73-79页
        5.5.1 人脸识别第74-75页
        5.5.2 物体识别第75页
        5.5.3 数字识别第75-76页
        5.5.4 UCI和文本分类第76页
        5.5.5 MK-SRC vs. MKL-SRC第76-79页
    5.6 本章小结第79-81页
6 基于代价敏感的字典学习方法第81-113页
    6.1 引言第81-82页
    6.2 相关方法介绍第82-83页
        6.2.1 字典学习第82页
        6.2.2 代价敏感人脸识别问题第82-83页
    6.3 代价敏感字典学习方法在人脸识别中的应用第83-89页
        6.3.1 模型的提出第83-84页
        6.3.2 模型的优化第84-85页
        6.3.3 分类计划第85-89页
    6.4 实验结果与分析一第89-95页
        6.4.1 数据集描述第89-90页
        6.4.2 参数设置第90页
        6.4.3 处理遮挡图像的实验第90-92页
        6.4.4 与非代价敏感字典学习进行比较第92-93页
        6.4.5 与代价敏感子空间方法进行比较第93页
        6.4.6 与代价敏感分类器进行比较第93-95页
    6.5 代价敏感联合特征与字典学习方法第95-104页
        6.5.1 模型的提出第96-99页
        6.5.2 模型的优化第99-103页
        6.5.3 时间复杂度分性第103页
        6.5.4 分类策略第103-104页
    6.6 实验结果与分析二第104-112页
        6.6.1 实验设置第105页
        6.6.2 在AR和FERET数据集上的实验第105-107页
        6.6.3 在Faces in the Wild数据集上的实验第107-108页
        6.6.4 目标分类第108页
        6.6.5 参数分析第108页
        6.6.6 图像集分类第108-112页
    6.7 本章小结第112-113页
7 总结与展望第113-115页
    7.1 本论文工作总结第113-114页
    7.2 未来工作展望第114-115页
致谢第115-117页
参考文献第117-129页
附录A第129-131页
附录B第131-132页

论文共132页,点击 下载论文
上一篇:几类Cartan型李代数的一类非权表示
下一篇:结构嵌入的扩展相关投影及在图像识别中的应用