| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第17-35页 |
| 1.1 研究背景和意义 | 第17-19页 |
| 1.2 数据表征学习的研究现状 | 第19-24页 |
| 1.2.1 基于稀疏性约束的表示学习方法 | 第19-21页 |
| 1.2.2 基于低秩性约束的表示学习方法 | 第21-22页 |
| 1.2.3 基于流形学习的数据表征学习 | 第22-23页 |
| 1.2.4 基于深度学习的数据表征学习 | 第23-24页 |
| 1.3 本文使用的实验数据集 | 第24-30页 |
| 1.4 本文主要研究内容 | 第30-33页 |
| 1.5 本文结构安排 | 第33-35页 |
| 第2章 基于结构对称性的鲁棒人脸图像表征学习 | 第35-53页 |
| 2.1 引言 | 第35页 |
| 2.2 相关工作介绍 | 第35-36页 |
| 2.3 近似对称人脸表征学习方法 | 第36-40页 |
| 2.4 近似对称人脸图像算法合理性分析 | 第40-42页 |
| 2.4.1 人脸图像对称性的对比分析 | 第40页 |
| 2.4.2 和其它人脸图像预处理方法对比分析 | 第40-42页 |
| 2.5 图像预处理算法的实验评估 | 第42-46页 |
| 2.5.1 数据集和实验配置 | 第43-44页 |
| 2.5.2 实验结果和实验分析 | 第44-46页 |
| 2.6 虚拟字典算法的实验评估 | 第46-52页 |
| 2.6.1 实验配置细节 | 第47页 |
| 2.6.2 RSRL在CMU PIE数据集上的实验结果 | 第47-49页 |
| 2.6.3 RSRL在FERET数据集上的实验结果 | 第49页 |
| 2.6.4 RSRL在GT数据集上的实验结果 | 第49-50页 |
| 2.6.5 RSRL在ORL数据集上的实验结果 | 第50-51页 |
| 2.6.6 RSRL在Yale和Extended YaleB人脸数据集上的实验结果 | 第51页 |
| 2.6.7 算法局限性和算法讨论 | 第51-52页 |
| 2.7 本章小结 | 第52-53页 |
| 第3章 基于判别块对角结构约束的低秩表示学习 | 第53-77页 |
| 3.1 引言 | 第53-54页 |
| 3.2 相关工作介绍 | 第54-55页 |
| 3.3 块对角低秩表示学习方法的设计 | 第55-57页 |
| 3.4 BDLRR模型的优化算法 | 第57-60页 |
| 3.5 BDLRR的识别算法 | 第60-61页 |
| 3.6 算法分析 | 第61-64页 |
| 3.6.1 优化算法收敛性分析 | 第61-62页 |
| 3.6.2 计算时间复杂度 | 第62-63页 |
| 3.6.3 新样本预测检验 | 第63-64页 |
| 3.7 BDLRR模型与相关算法的关系 | 第64-67页 |
| 3.7.1 与非负低秩表示稀疏学习算法的关系 | 第64-65页 |
| 3.7.2 与结构化稀疏低秩表示学习算法的关系 | 第65-66页 |
| 3.7.3 与监督鲁棒子空间学习算法的关系 | 第66-67页 |
| 3.8 实验结果 | 第67-76页 |
| 3.8.1 实验设置 | 第67页 |
| 3.8.2 BDLRR在人脸识别问题上的实验评估 | 第67-70页 |
| 3.8.3 BDLRR在字符识别问题上的实验评估 | 第70-72页 |
| 3.8.4 BDLRR在场景识别问题上的实验评估 | 第72-73页 |
| 3.8.5 实验结果分析 | 第73-75页 |
| 3.8.6 算法收敛性的实验验证 | 第75页 |
| 3.8.7 算法参数敏感性经验分析 | 第75-76页 |
| 3.9 本章小结 | 第76-77页 |
| 第4章 基于弹性网正则化的判别回归表征学习 | 第77-100页 |
| 4.1 引言 | 第77-78页 |
| 4.2 相关工作介绍 | 第78-79页 |
| 4.3 基于弹性网正则化的回归表征学习模型 | 第79-83页 |
| 4.3.1 一种普适的弹性网正则化回归表征学习框架 | 第79-81页 |
| 4.3.2 判别性弹性网正则化回归表征学习模型 | 第81-82页 |
| 4.3.3 快速的ENRRL表征学习模型 | 第82-83页 |
| 4.4 DENRRL模型优化求解和算法分类模型 | 第83-87页 |
| 4.4.1 DENRRL模型求解 | 第83-86页 |
| 4.4.2 判别回归表征空间和算法分类模型 | 第86-87页 |
| 4.5 算法分析 | 第87-89页 |
| 4.5.1 DENRRL方法和传统回归模型的关系 | 第87页 |
| 4.5.2 计算复杂度和收敛性分析 | 第87-89页 |
| 4.6 实验结果 | 第89-99页 |
| 4.6.1 对比方法与实验设置 | 第89-91页 |
| 4.6.2 DENRRL在人脸识别问题上的实验评估 | 第91-93页 |
| 4.6.3 DENRRL在物体识别问题上的实验评估 | 第93-94页 |
| 4.6.4 DENRRL在场景识别问题上的实验评估 | 第94页 |
| 4.6.5 实验结果分析 | 第94-97页 |
| 4.6.6 优化算法的收敛条件和参数敏感性经验分析 | 第97-98页 |
| 4.6.7 算法计算速度对比结果 | 第98-99页 |
| 4.7 本章小结 | 第99-100页 |
| 第5章 基于自适应图约束的结构化视觉表征学习 | 第100-126页 |
| 5.1 引言 | 第100-101页 |
| 5.2 相关工作介绍 | 第101-102页 |
| 5.3 结构化视觉表征学习模型 | 第102-106页 |
| 5.3.1 损失函数 | 第103页 |
| 5.3.2 算法复杂度正则项 | 第103-104页 |
| 5.3.3 自适应流形结构学习 | 第104-106页 |
| 5.4 MSRL模型的优化算法 | 第106-110页 |
| 5.4.1 求解优化变量W、A和B | 第106-107页 |
| 5.4.2 求解优化变量R | 第107-108页 |
| 5.4.3 求解优化变量P | 第108-110页 |
| 5.5 MSRL的半监督模型扩展 | 第110-111页 |
| 5.6 算法分析 | 第111-112页 |
| 5.6.1 优化算法收敛性的理论分析 | 第111-112页 |
| 5.6.2 计算时间复杂度 | 第112页 |
| 5.7 实验结果 | 第112-125页 |
| 5.7.1 实验设置 | 第112-115页 |
| 5.7.2 MSRL和SMSRL在物体识别问题上的实验评估 | 第115-116页 |
| 5.7.3 MSRL和SMSRL在人脸识别问题上的实验评估 | 第116-118页 |
| 5.7.4 MSRL和SMSRL在纹理识别问题上的实验评估 | 第118页 |
| 5.7.5 MSRL和SMSRL在场景识别问题上的实验评估 | 第118-120页 |
| 5.7.6 实验结果分析 | 第120-121页 |
| 5.7.7 算法参数敏感性经验分析 | 第121-124页 |
| 5.7.8 算法收敛性的实验验证 | 第124页 |
| 5.7.9 不同图像识别算法计算时间对比 | 第124-125页 |
| 5.8 本章小结 | 第125-126页 |
| 结论 | 第126-129页 |
| 参考文献 | 第129-146页 |
| 攻读博士学位期间发表的论文及其他成果 | 第146-149页 |
| 致谢 | 第149-150页 |
| 个人简历 | 第150页 |
