结构嵌入的扩展相关投影及在图像识别中的应用
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第18-30页 |
| 1.1 引言 | 第18-19页 |
| 1.2 单表示数据的特征提取方法 | 第19-24页 |
| 1.2.1 线性特征提取方法研究现状 | 第19-22页 |
| 1.2.2 非线性特征提取方法研究现状 | 第22-24页 |
| 1.3 多视图相关投影分析 | 第24-28页 |
| 1.3.1 典型相关分析的基本理论与研究现状 | 第24-27页 |
| 1.3.2 多重集典型相关分析的研究与发展 | 第27-28页 |
| 1.4 本文的主要研究工作和内容安排 | 第28-29页 |
| 1.5 本文工作的创新点 | 第29-30页 |
| 2 基于协同概率标签传播的单个训练样本人脸识别 | 第30-46页 |
| 2.1 引言 | 第30-32页 |
| 2.2 相关方法介绍 | 第32-33页 |
| 2.2.1 稀疏编码和协同编码 | 第32页 |
| 2.2.2 组稀疏编码 | 第32-33页 |
| 2.3 基于协同概率标签的单个训练样本人脸识别 | 第33-37页 |
| 2.3.1 算法构建动机 | 第33-34页 |
| 2.3.2 基于变换的人脸图像表示 | 第34-35页 |
| 2.3.3 概率标签的传播 | 第35-36页 |
| 2.3.4 概率标签分类器 | 第36-37页 |
| 2.4 实验结果与分析 | 第37-44页 |
| 2.4.1 实验数据准备 | 第37-39页 |
| 2.4.2 参数设置 | 第39页 |
| 2.4.3 在单个数据库上的实验 | 第39-43页 |
| 2.4.4 算法泛化能力检验 | 第43-44页 |
| 2.5 小结 | 第44-46页 |
| 3 双重结构一致性约束的相关传播投影 | 第46-62页 |
| 3.1 引言 | 第46-47页 |
| 3.2 相关方法介绍 | 第47-48页 |
| 3.2.1 广义典型相关分析 | 第47-48页 |
| 3.2.2 判别典型相关分析 | 第48页 |
| 3.2.3 半配对半监督广义相关分析 | 第48页 |
| 3.3 鲁棒的半监督学习 | 第48-51页 |
| 3.3.1 鲁棒的半监督学习模型 | 第48-50页 |
| 3.3.2 交互的最优化迭代算法 | 第50-51页 |
| 3.4 联合迭代的概率标签传播 | 第51-53页 |
| 3.4.1 概率标签的构造 | 第51-52页 |
| 3.4.2 联合的标签传播 | 第52-53页 |
| 3.5 双重结构一致性的相关传播投影分析 | 第53-55页 |
| 3.6 实验结果与分析 | 第55-61页 |
| 3.6.1 实验数据准备 | 第55-56页 |
| 3.6.2 参数设置和实验方法介绍 | 第56-57页 |
| 3.6.3 在AR数据库上的实验 | 第57-58页 |
| 3.6.4 在YaleB数据库上的实验 | 第58-59页 |
| 3.6.5 在PIE数据库上的实验 | 第59-60页 |
| 3.6.6 收敛性分析 | 第60-61页 |
| 3.7 小结 | 第61-62页 |
| 4 分数阶嵌入的监督典型相关分析 | 第62-76页 |
| 4.1 引言 | 第62页 |
| 4.2 相关方法介绍 | 第62-63页 |
| 4.2.1 分数阶嵌入模型 | 第62-63页 |
| 4.2.2 分数阶嵌入的典型相关分析 | 第63页 |
| 4.3 分数阶模型的有效性分析 | 第63-65页 |
| 4.3.1 矩阵奇异值分解的等价描述 | 第64页 |
| 4.3.2 有效性分析 | 第64-65页 |
| 4.4 分数阶嵌入的监督典型相关分析 | 第65-67页 |
| 4.4.1 分数阶嵌入的广义典型相关分析 | 第66页 |
| 4.4.2 分数阶嵌入的判别型典型相关分析 | 第66-67页 |
| 4.5 实验结果与分析 | 第67-74页 |
| 4.5.1 实验数据准备 | 第67-69页 |
| 4.5.2 参数设置和实验方法介绍 | 第69-70页 |
| 4.5.3 人脸识别 | 第70-72页 |
| 4.5.4 手写体数字识别 | 第72-73页 |
| 4.5.5 物体识别 | 第73页 |
| 4.5.6 分数阶参数选择 | 第73-74页 |
| 4.6 小结 | 第74-76页 |
| 5 自适应补偿相关投影及在联合维数约减中的应用 | 第76-90页 |
| 5.1 引言 | 第76-77页 |
| 5.2 协方差矩阵的近似估计 | 第77-80页 |
| 5.2.1 整体协方差矩阵的重构 | 第77-78页 |
| 5.2.2 类内协方差矩阵的协同表示 | 第78-79页 |
| 5.2.3 概率变换子空间 | 第79-80页 |
| 5.3 自适应散布矩阵的构造 | 第80-82页 |
| 5.3.1 自适应组内散布矩阵的构造 | 第81页 |
| 5.3.2 自适应组间散布矩阵的构造 | 第81-82页 |
| 5.4 自适应补偿相关投影分析 | 第82-83页 |
| 5.4.1 模型与最优化求解 | 第82页 |
| 5.4.2 进一步的讨论 | 第82-83页 |
| 5.5 实验结果与分析 | 第83-89页 |
| 5.5.1 实验数据准备 | 第83-85页 |
| 5.5.2 参数设置和实验方法介绍 | 第85页 |
| 5.5.3 人脸识别 | 第85-88页 |
| 5.5.4 物体识别 | 第88-89页 |
| 5.5.5 泛化能力检验 | 第89页 |
| 5.6 小结 | 第89-90页 |
| 6 模态一致的协同判别多重集典型相关分析 | 第90-108页 |
| 6.1 引言 | 第90页 |
| 6.2 稀疏保持投影 | 第90-91页 |
| 6.3 稀疏判别的多重集典型相关分析 | 第91-92页 |
| 6.4 模态一致的协同判别多重集相关投影 | 第92-98页 |
| 6.4.1 算法构建动机 | 第92-94页 |
| 6.4.2 模态一致的协同保持投影 | 第94-95页 |
| 6.4.3 构建整体协同类内和类间散布 | 第95-96页 |
| 6.4.4 模型与最优化求解 | 第96-97页 |
| 6.4.5 与其它联合维数约减方法的联系 | 第97-98页 |
| 6.5 实验结果与分析 | 第98-106页 |
| 6.5.1 实验数据准备 | 第98-99页 |
| 6.5.2 参数设置和实验方法介绍 | 第99-100页 |
| 6.5.3 在AR数据库上的实验 | 第100-102页 |
| 6.5.4 在YaleB数据库上的实验 | 第102-103页 |
| 6.5.5 在ETH-80数据库上的实验 | 第103页 |
| 6.5.6 参数选择 | 第103-105页 |
| 6.5.7 算法复杂性分析 | 第105-106页 |
| 6.6 小结 | 第106-108页 |
| 7 结束语 | 第108-112页 |
| 7.1 本文工作总结 | 第108-110页 |
| 7.2 未来工作展望 | 第110-112页 |
| 致谢 | 第112-114页 |
| 参考文献 | 第114-128页 |
| 附录 | 第128-129页 |
