首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于稀疏编码的视觉模型及其应用

摘要第1-5页
ABSTRACT第5-13页
第一章 绪论第13-21页
   ·视觉研究概述第13-16页
   ·视觉问题和其他科目的关系第16-18页
   ·历史回顾第18-19页
   ·本文的内容及结构安排第19-21页
第二章 生物视觉系统简介第21-29页
   ·初级视觉系统介绍第21-22页
   ·感受野第22-26页
     ·简单细胞(simple cell)第24-25页
     ·复杂细胞(complex cell)第25页
     ·超复杂细胞(hypercomplex cell)第25-26页
   ·细胞拓扑组织第26-27页
   ·细胞超完备特征第27-29页
第三章 稀疏编码和独立成分分析的简介第29-43页
   ·视觉计算模型介绍第29-33页
     ·描述模型第29页
     ·区分模型第29-30页
     ·生成模型第30-33页
   ·数据线性统计框架第33页
   ·主成份分析第33-34页
   ·独立成分分析第34-36页
     ·独立成分分析假设第35-36页
     ·极大化非高斯ICA第36页
   ·稀疏编码第36-43页
     ·稀疏编码推导第37页
     ·稀疏编码感知第37-38页
     ·稀疏编码适应第38-43页
第四章 稀疏编码的先验评价第43-55页
   ·问题介绍第43页
   ·稀疏先验第43-44页
   ·适应过程中稀疏编码的复制奖励(Duplicate bonus)第44-46页
   ·感知过程中稀疏编码的复制奖励(Duplicate bonus)第46-47页
     ·扩展版本的”复制奖励”和次加性的关系第46-47页
   ·对现有的稀疏函数的检查第47-49页
     ·柯西分布第47-48页
     ·指数函数先验第48页
     ·双曲正割先验第48页
     ·L1和反正切先验第48-49页
   ·为什么高斯分布不是稀疏的第49页
   ·实验第49-52页
     ·感知过程中的稀疏实验第49-50页
     ·常数幅值第50页
     ·改变幅值实验第50-52页
   ·次加性和凸(凹函数)关系第52-55页
     ·范数和凸函数第52-55页
第五章 使用相似性函数的拓扑稀疏编码第55-63页
   ·引言第55-56页
     ·经典稀疏编码模型第55页
     ·稀疏编码的编码器/解码器框架第55-56页
   ·拓扑第56-59页
     ·拓扑稀疏编码第56-57页
     ·使用相似函数的拓扑稀疏编码第57-59页
     ·学习规则第59页
   ·模拟实验第59-60页
     ·实验配置第59-60页
     ·实验结果第60页
   ·总结第60-63页
第六章 拓扑非负稀疏编码第63-71页
   ·引言第63-64页
   ·响应学习第64-66页
   ·基向量学习第66-67页
   ·实验第67-71页
第七章 总结及展望第71-73页
参考文献第73-79页
致谢第79-80页
攻读学位期间发表的学术论文目录第80-82页

论文共82页,点击 下载论文
上一篇:基于Linux智能手机多媒体移动学习系统的设计和实现
下一篇:基于内容的多媒体课件检索的研究与实现