摘要 | 第1-5页 |
ABSTRACT | 第5-11页 |
第一章 绪论 | 第11-17页 |
·人脸识别概述及研究意义 | 第11-12页 |
·人脸识别方法 | 第12-15页 |
·子空间法 | 第12-13页 |
·弹性图匹配 | 第13页 |
·活动外观模型 | 第13-14页 |
·形变模型 | 第14页 |
·方法评析 | 第14页 |
·存在的问题与研究方向 | 第14-15页 |
·本文研究工作概述 | 第15页 |
·本文的内容安排 | 第15-17页 |
第二章 统计学习与核方法 | 第17-32页 |
·统计学与模式分析 | 第17-19页 |
·模式与模式分析 | 第17页 |
·模式分析算法的三个关键特征 | 第17-18页 |
·监督任务与非监督任务 | 第18-19页 |
·核方法 | 第19-26页 |
·核函数 | 第20-21页 |
·核矩阵 | 第21页 |
·核函数的基本算法 | 第21-23页 |
·协方差矩阵与核技巧 | 第23-24页 |
·Rademacher复杂度和正则化 | 第24-26页 |
·Rademacher复杂度 | 第24-25页 |
·核方法的正则化 | 第25-26页 |
·核方法的模块性 | 第26页 |
·支持向量机 | 第26-31页 |
·最优分类超平面 | 第26-28页 |
·构造最优超平面 | 第28-29页 |
·线性不可分情况的推广 | 第29-30页 |
·VC维与正则化 | 第30-31页 |
·本章小结 | 第31-32页 |
第三章 D-LDA增量算法 | 第32-47页 |
·主成分分析 | 第32-37页 |
·最大化方差 | 第32-34页 |
·核主成分分析 | 第34-35页 |
·主成分分析增量算法 | 第35-37页 |
·奇异值分解增量算法 | 第35-36页 |
·基于奇异值分解增量算法的IPCA算法 | 第36-37页 |
·线性判别分析 | 第37-40页 |
·广义特征值问题 | 第37-38页 |
·类内散布矩阵与类间散布矩 | 第38-40页 |
·Fisherfaces法 | 第40页 |
·直接线性判别分析 | 第40-43页 |
·D-LDA增量算法 | 第43-44页 |
·实验结果及分析 | 第44-46页 |
·本章小结 | 第46-47页 |
第四章 核D-LDA增量算法 | 第47-56页 |
·核线性判别分析 | 第47-49页 |
·正则化的核D-LDA | 第49-51页 |
·核主成分分析增量算法 | 第51-52页 |
·核D-LDA增量算法 | 第52-53页 |
·实验结果与分析 | 第53-55页 |
·本章小结 | 第55-56页 |
第五章 支持向量机多类分类方法 | 第56-71页 |
·现有的支持向量机多类分类方法 | 第56-60页 |
·一对多 | 第56-57页 |
·一对一 | 第57-58页 |
·有向循环图 | 第58页 |
·二叉树方法 | 第58-59页 |
·一次性求解方法 | 第59-60页 |
·基于聚类的支持向量机多类分类方法 | 第60-64页 |
·二叉树生成结构分析 | 第60-61页 |
·可分性的度量 | 第61-62页 |
·聚类过程产生二叉树的生成结构 | 第62-63页 |
·对核函数的扩展 | 第63-64页 |
·基于子空间Boosting的支持向量机多类分类方法 | 第64-68页 |
·类内差子空间与类间差子空间 | 第64-65页 |
·子空间Boosting学习策略 | 第65-68页 |
·实验结果与分析 | 第68-69页 |
·本章小结 | 第69-71页 |
第六章 总结与展望 | 第71-73页 |
·总结 | 第71页 |
·展望 | 第71-73页 |
参考文献 | 第73-77页 |
附录 | 第77-82页 |
致谢 | 第82-83页 |
攻读硕士学位期间发表的论文 | 第83-85页 |