| 摘要 | 第4-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第19-31页 |
| 1.1 引言 | 第19-20页 |
| 1.2 多视图研究问题 | 第20-24页 |
| 1.2.1 多视图数据与多视图学习 | 第20-22页 |
| 1.2.2 多视图分类方法 | 第22-23页 |
| 1.2.3 多视图聚类方法 | 第23页 |
| 1.2.4 多视图特征选择与降维方法 | 第23-24页 |
| 1.3 多视图特征选择 | 第24-25页 |
| 1.3.1 单视图特征选择方法 | 第24-25页 |
| 1.3.2 多视图特征选择方法 | 第25页 |
| 1.4 多视图子空间学习 | 第25-27页 |
| 1.4.1 单视图子空间学习方法 | 第26页 |
| 1.4.2 多视图子空间学习方法 | 第26-27页 |
| 1.5 有待研究问题 | 第27-28页 |
| 1.6 本文工作 | 第28-29页 |
| 1.7 本文组织 | 第29-31页 |
| 第二章 联合局部与全局分析的多视图特征选择 | 第31-49页 |
| 2.1 引言 | 第31-33页 |
| 2.1.1 问题分析 | 第31-32页 |
| 2.1.2 本章工作主要贡献 | 第32-33页 |
| 2.2 多视图特征选择方法mPadal | 第33-38页 |
| 2.2.1 方法框架 | 第33-34页 |
| 2.2.2 局部阶段：基于示例差异性的特征选择 | 第34-35页 |
| 2.2.3 全局阶段：基于类别相关性的特征选择 | 第35-38页 |
| 2.3 实验结果与分析 | 第38-46页 |
| 2.3.1 数据集与实验设置 | 第38-39页 |
| 2.3.2 与特征选择/降维方法比较 | 第39-41页 |
| 2.3.3 基于SVM分类的mPadal方法评估 | 第41-43页 |
| 2.3.4 特征选择比例评估 | 第43页 |
| 2.3.5 与行为识别方法比较 | 第43-46页 |
| 2.3.6 多摄像头组合分析 | 第46页 |
| 2.4 讨论 | 第46-47页 |
| 2.5 本章小结 | 第47-48页 |
| 本章的主要工作已发表论文 | 第48-49页 |
| 第三章 基于矩阵低秩的多视图特征选择 | 第49-74页 |
| 3.1 引言 | 第49-51页 |
| 3.1.1 问题分析 | 第49-51页 |
| 3.1.2 本章工作主要贡献 | 第51页 |
| 3.2 符号标记 | 第51页 |
| 3.3 背景：稀疏特征选择 | 第51-54页 |
| 3.4 问题形式化:MRM-Lasso | 第54-60页 |
| 3.4.1 MRM-Lasso方法 | 第55页 |
| 3.4.2 优化方法 | 第55-58页 |
| 3.4.3 算法分析 | 第58-59页 |
| 3.4.4 分类器级的融合策略 | 第59-60页 |
| 3.5 实验结果与分析 | 第60-71页 |
| 3.5.1 数据集与实验设置 | 第60-62页 |
| 3.5.2 与其他降维方法的对比实验 | 第62-64页 |
| 3.5.3 与多核/多视图方法的对比实验 | 第64-66页 |
| 3.5.4 特征选择数量评估 | 第66页 |
| 3.5.5 与View-Lasso方法比较 | 第66-68页 |
| 3.5.6 参数分析 | 第68-69页 |
| 3.5.7 示例权重对分类的作用分析 | 第69页 |
| 3.5.8 示例权重与特征选择向量的联系 | 第69-71页 |
| 3.6 本章小结 | 第71-73页 |
| 本章的主要工作已发表论文 | 第73-74页 |
| 第四章 基于稀疏低秩表示的不完整多视图数据降维 | 第74-104页 |
| 4.1 引言 | 第74-76页 |
| 4.1.1 问题分析 | 第75-76页 |
| 4.1.2 本章工作主要贡献 | 第76页 |
| 4.2 符号标记 | 第76-77页 |
| 4.3 问题描述 | 第77-79页 |
| 4.6 基于稀疏低秩表示的多视图缺失样本恢复方法SRRS | 第79-86页 |
| 4.6.1 S&L表示方法 | 第79-80页 |
| 4.6.2 SRRS方法 | 第80-81页 |
| 4.6.3 关于SRRS方法的分析 | 第81-82页 |
| 4.6.4 SRRS优化问题的解决方案 | 第82-86页 |
| 4.7 基于SRRS的三种具体的不完整多视图数据降维方法 | 第86-90页 |
| 4.7.1 SRRS-MGE方法 | 第87页 |
| 4.7.2 SRRS-MSS方法 | 第87-88页 |
| 4.7.3 SRRS-MRM方法 | 第88页 |
| 4.7.4 优化方法 | 第88-90页 |
| 4.8 实验结果与分析 | 第90-102页 |
| 4.8.1 数据集与实验设置 | 第90-92页 |
| 4.8.2 针对SRRS-MGE和SRRS-MSS的聚类衡量与分析 | 第92-95页 |
| 4.8.3 针对SRRS-MRM特征选择的分类衡量与分析 | 第95-97页 |
| 4.8.4 针对SRRS-MRM方法的特征选择数量的评估 | 第97-99页 |
| 4.8.5 参数分析 | 第99-101页 |
| 4.8.6 多视图中“缺失示例”恢复表现评估 | 第101-102页 |
| 4.9 本章小结 | 第102页 |
| 本章的主要工作已投稿论文 | 第102-104页 |
| 第五章 基于组结构的多视图在线子空间学习 | 第104-123页 |
| 5.1 引言 | 第104-106页 |
| 5.1.1 问题分析 | 第104-106页 |
| 5.1.2 本章工作主要贡献 | 第106页 |
| 5.2 符号标记 | 第106页 |
| 5.3 多视图在线子空间学习方法OMEL | 第106-113页 |
| 5.3.1 OMEL:问题建模 | 第107-109页 |
| 5.3.2 OMEL:解决方案 | 第109-111页 |
| 5.3.3 OMEL:优化方法 | 第111-112页 |
| 5.3.4 构建组结构及其更新 | 第112-113页 |
| 5.4 实验结果与分析 | 第113-121页 |
| 5.4.1 数据集与实验设置 | 第113-115页 |
| 5.4.2 与相关工作的对比实验 | 第115-119页 |
| 5.4.3 更多结果分析 | 第119-121页 |
| 5.5 本章小结 | 第121-122页 |
| 本章的主要工作已投稿论文 | 第122-123页 |
| 第六章 总结与展望 | 第123-126页 |
| 6.1 总结 | 第123-124页 |
| 6.2 展望 | 第124-126页 |
| 参考文献 | 第126-138页 |
| 简历与科研成果 | 第138-141页 |
| 致谢 | 第141-143页 |
