| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 序言 | 第11-12页 |
| 1.2 研究背景与意义 | 第12-17页 |
| 第二章 稀疏编码综述 | 第17-26页 |
| 2.1 稀疏编码的起源 | 第17页 |
| 2.2 基础概念和定义 | 第17-26页 |
| 2.2.1 过完备字典和图像表示 | 第17-18页 |
| 2.2.2 向量内积 | 第18页 |
| 2.2.3 向量范数和矩阵范数 | 第18-19页 |
| 2.2.4 稀疏编码模型 | 第19-20页 |
| 2.2.5 稀疏编码常见算法 | 第20-25页 |
| 2.2.6 稀疏编码的应用 | 第25-26页 |
| 第三章 迁移学习概述 | 第26-30页 |
| 3.1 概念和定义 | 第26页 |
| 3.2 迁移学习和迁移学习技术的分类 | 第26-29页 |
| 3.3 迁移学习的应用 | 第29-30页 |
| 第四章 基于迁移鲁棒稀疏学习的图像表示方法 | 第30-48页 |
| 4.1 引言 | 第30-31页 |
| 4.2 相关工作 | 第31页 |
| 4.3 基于迁移鲁棒稀疏学习的图像表示方法 | 第31-36页 |
| 4.3.1 迁移鲁棒稀疏学习的模型 | 第31-35页 |
| 4.3.2 编码优化 | 第35页 |
| 4.3.3 鲁棒字典学习 | 第35-36页 |
| 4.4 TRSL算法流程 | 第36页 |
| 4.5 实验结果与分析 | 第36-44页 |
| 4.5.1 实验设置 | 第36-38页 |
| 4.5.2 USPS、MNIST数据集 | 第38-40页 |
| 4.5.3 Sketch、MSRC、VOC2007数据集 | 第40-41页 |
| 4.5.4 Caltech-256、Office数据集 | 第41-43页 |
| 4.5.5 参数分析 | 第43-44页 |
| 4.6 本章总结 | 第44-48页 |
| 第五章 针对图像表示的基于图和联合域适应的迁移去噪稀疏学习 | 第48-69页 |
| 5.1 引言 | 第48-50页 |
| 5.2 相关工作 | 第50-51页 |
| 5.3 迁移稀疏编码 | 第51页 |
| 5.4 基于图和联合域适应的迁移去噪稀疏学习 | 第51-57页 |
| 5.4.1 去噪稀疏学习 | 第51-52页 |
| 5.4.2 迁移去噪稀疏学习 | 第52页 |
| 5.4.3 基于图和联合域适应的迁移稀疏编码 | 第52-53页 |
| 5.4.4 目标函数 | 第53页 |
| 5.4.5 目标函数的优化 | 第53-56页 |
| 5.4.6 TDSL-GJDA算法流程 | 第56页 |
| 5.4.7 算法复杂度分析 | 第56-57页 |
| 5.5 实验分析 | 第57-67页 |
| 5.5.1 数据集 | 第57-59页 |
| 5.5.2 实验对比方法和参数设置 | 第59-60页 |
| 5.5.3 实验结果 | 第60-61页 |
| 5.5.4 参数分析 | 第61-66页 |
| 5.5.5 运行时间分析 | 第66-67页 |
| 5.6 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 未来展望 | 第70-71页 |
| 参考文献 | 第71-80页 |
| 致谢 | 第80-82页 |
| 攻读硕士学位期间发表的论文 | 第82页 |
