人脸识别的增量稀疏张量回归算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 人脸图像的特征提取方法 | 第10-11页 |
| 1.2.2 人脸识别分类算法 | 第11-13页 |
| 1.3 本文的研究内容及组织结构 | 第13-15页 |
| 1.3.1 本文的研究内容 | 第13页 |
| 1.3.2 本文的组织结构 | 第13-15页 |
| 第二章 相关理论和基础知识 | 第15-23页 |
| 2.1 符号定义和张量基本概念 | 第15-18页 |
| 2.2 线性回归分类算法 | 第18-19页 |
| 2.3 相关的改进算法 | 第19-22页 |
| 2.3.1 最远子空间分类 | 第19-20页 |
| 2.3.2 最近-最远子空间分类 | 第20-21页 |
| 2.3.3 三种算法的评价 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 人脸识别的增量稀疏张量回归算法 | 第23-37页 |
| 3.1 稀疏表示 | 第23-25页 |
| 3.2 Lasso回归 | 第25-26页 |
| 3.3 人脸识别的增量线性回归分类算法 | 第26-29页 |
| 3.3.1 增量学习算法推导 | 第26-28页 |
| 3.3.2 算法的时间复杂度分析 | 第28-29页 |
| 3.4 人脸识别的增量稀疏线性回归算法 | 第29-31页 |
| 3.4.1 增量稀疏的线性回归分类算法 | 第29-30页 |
| 3.4.2 算法的时间复杂度分析 | 第30-31页 |
| 3.5 人脸识别的增量稀疏张量回归算法 | 第31-36页 |
| 3.5.1 多线性PCA原理 | 第32-34页 |
| 3.5.2 增量稀疏线性回归分类推广到张量 | 第34-36页 |
| 3.5.3 算法的时间复杂度分析 | 第36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 实验结果与分析 | 第37-51页 |
| 4.1 实验数据集及实验环境 | 第37-39页 |
| 4.2 实验结果与分析 | 第39-50页 |
| 4.2.1 向量模式参数寻优 | 第39-42页 |
| 4.2.2 线性回归分类算法性能比较 | 第42-44页 |
| 4.2.3 张量模式参数寻优 | 第44-45页 |
| 4.2.4 张量MPCA与向量PCA实验结果 | 第45-48页 |
| 4.2.5 张量与向量实验结果 | 第48-50页 |
| 4.3 本章小结 | 第50-51页 |
| 总结与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读博士/硕士学位期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 附件 | 第59页 |
