基于稀疏表示的特征自学习算法及其应用研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究目的及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-13页 |
| 1.2.1 传统特征提取方式 | 第9页 |
| 1.2.2 稀疏表示理论 | 第9-12页 |
| 1.2.3 生成模型 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 稀疏编码及生成模型理论 | 第16-26页 |
| 2.1 稀疏编码 | 第16-21页 |
| 2.1.1 稀疏编码的生物学背景 | 第16-17页 |
| 2.1.2 稀疏编码模型 | 第17-18页 |
| 2.1.3 稀疏性度量 | 第18-20页 |
| 2.1.4 稀疏编码的多层表示结构 | 第20-21页 |
| 2.2 字典学习 | 第21-24页 |
| 2.2.1 K-SVD算法 | 第22-23页 |
| 2.2.2 其他字典学习算法 | 第23-24页 |
| 2.3 PoE模型 | 第24-25页 |
| 2.4 小结 | 第25-26页 |
| 第3章 基于分层稀疏编码的特征学习算法 | 第26-40页 |
| 3.1 引言 | 第26-27页 |
| 3.2 图像指纹提取算法 | 第27-33页 |
| 3.2.1 字典学习模型构建 | 第27-30页 |
| 3.2.2 字典学习算法 | 第30-32页 |
| 3.2.3 指纹生成过程 | 第32-33页 |
| 3.3 实验结果 | 第33-39页 |
| 3.4 小结 | 第39-40页 |
| 第4章 基于稀疏专家乘积系统模型的特征学习算法 | 第40-52页 |
| 4.1 引言 | 第40-41页 |
| 4.2 基于稀疏PoE模型的组织病理图像分类算法 | 第41-47页 |
| 4.2.1 稀疏PoE模型 | 第41-42页 |
| 4.2.2 稀疏PoE模型构建 | 第42-45页 |
| 4.2.3 组织病理图像块特征提取 | 第45-47页 |
| 4.2.4 组织病理图像分类 | 第47页 |
| 4.3 实验结果 | 第47-51页 |
| 4.4 小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 论文工作总结 | 第52-53页 |
| 5.2 未来工作展望 | 第53-54页 |
| 参考文献 | 第54-64页 |
| 发表论文和参加科研情况说明 | 第64-66页 |
| 致谢 | 第66页 |
