图像特征提取与分类超图的学习算法研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第11-25页 |
| 1.1 研究的背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 图像特征提取 | 第13-15页 |
| 1.2.2 图像分类 | 第15-16页 |
| 1.2.3 图与超图学习 | 第16-17页 |
| 1.3 研究动机 | 第17-18页 |
| 1.4 论文的研究内容和创新点 | 第18-20页 |
| 1.5 论文组织结构 | 第20-25页 |
| 2 超图学习相关理论 | 第25-37页 |
| 2.1 超图基本概念 | 第25-27页 |
| 2.2 常见超图算法 | 第27-32页 |
| 2.2.1 星形扩张算法 | 第27页 |
| 2.2.2 团扩张算法 | 第27-28页 |
| 2.2.3 团平均算法 | 第28-29页 |
| 2.2.4 博拉拉普拉斯 | 第29页 |
| 2.2.5 罗德里格斯拉普拉斯 | 第29页 |
| 2.2.6 吉布森动力系统 | 第29-30页 |
| 2.2.7 李氏邻接矩阵法 | 第30页 |
| 2.2.8 周氏标准化拉普拉斯 | 第30-31页 |
| 2.2.9 各超图算法之间联系 | 第31-32页 |
| 2.3 基于超图的机器学习 | 第32-33页 |
| 2.3.1 基于超图的无监督学习 | 第32页 |
| 2.3.2 基于超图的半监督学习 | 第32-33页 |
| 2.4 超图结构的优势分析 | 第33-36页 |
| 2.5 本章小结 | 第36-37页 |
| 3 有监督超图拉普拉斯投影算法研究 | 第37-59页 |
| 3.1 引言 | 第37-39页 |
| 3.2 判别局部保留投影 | 第39-41页 |
| 3.3 判别超拉普拉斯投影 | 第41-43页 |
| 3.3.1 有监督超图构建 | 第41页 |
| 3.3.2 算法描述 | 第41-43页 |
| 3.3.3 算法复杂度分析 | 第43页 |
| 3.4 可扩展判别超拉普拉斯投影 | 第43-47页 |
| 3.4.1 基于谱回归的DHLP算法 | 第44-46页 |
| 3.4.2 算法描述 | 第46-47页 |
| 3.4.3 算法复杂度分析 | 第47页 |
| 3.5 实验结果与分析 | 第47-57页 |
| 3.5.1 人脸图像数据库 | 第48-49页 |
| 3.5.2 对比算法 | 第49-50页 |
| 3.5.3 可控环境下人脸识别结果分析 | 第50-51页 |
| 3.5.4 开放环境下人脸识别结果分析 | 第51-52页 |
| 3.5.5 特征维度和识别精度之间关系 | 第52-56页 |
| 3.5.6 算法的训练效率 | 第56-57页 |
| 3.6 本章小结 | 第57-59页 |
| 4 回归超图构建及其学习算法研究 | 第59-87页 |
| 4.1 引言 | 第59-62页 |
| 4.2 回归模型 | 第62-65页 |
| 4.2.1 线性回归 | 第62页 |
| 4.2.2 稀疏表示 | 第62-63页 |
| 4.2.3 协同表示 | 第63-65页 |
| 4.3 基于回归的超图学习 | 第65-69页 |
| 4.3.1 回归超图构建 | 第65-67页 |
| 4.3.2 基于回归超图的聚类 | 第67-68页 |
| 4.3.3 基于回归超图的直推 | 第68-69页 |
| 4.4 实验结果与分析 | 第69-84页 |
| 4.4.1 图像数据库 | 第70-71页 |
| 4.4.2 对比算法和实验设置 | 第71-72页 |
| 4.4.3 图像聚类结果分析 | 第72-74页 |
| 4.4.4 图像分类结果分析 | 第74-75页 |
| 4.4.5 对于遮挡的鲁棒性分析 | 第75-77页 |
| 4.4.6 对于噪声的鲁棒性分析 | 第77-79页 |
| 4.4.7 回归超图的谱聚类参数设置 | 第79-83页 |
| 4.4.8 回归超图的直推参数设置 | 第83-84页 |
| 4.5 本章小结 | 第84-87页 |
| 5 超图正则化属性学习算法研究 | 第87-111页 |
| 5.1 引言 | 第87-91页 |
| 5.2 属性学习 | 第91-92页 |
| 5.3 基于超图的属性预测 | 第92-98页 |
| 5.3.1 属性超图构建 | 第92-93页 |
| 5.3.2 超图正则化属性预测器 | 第93-96页 |
| 5.3.3 类特定超图正则化属性预测器 | 第96-97页 |
| 5.3.4 HAP与CSHAP算法的核化 | 第97-98页 |
| 5.3.5 零/N样本学习 | 第98页 |
| 5.4 实验结果与分析 | 第98-110页 |
| 5.4.1 数据集和实验设置 | 第98-100页 |
| 5.4.2 对比算法 | 第100页 |
| 5.4.3 属性预测实验结果分析 | 第100-101页 |
| 5.4.4 零样本学习实验结果分析 | 第101-102页 |
| 5.4.5 N样本学习实验结果分析 | 第102-103页 |
| 5.4.6 数据分类实验结果分析 | 第103-104页 |
| 5.4.7 核化HAP算法性能评估 | 第104页 |
| 5.4.8 算法复杂度分析 | 第104-105页 |
| 5.4.9 参数设置 | 第105-110页 |
| 5.5 本章小结 | 第110-111页 |
| 6 总结与展望 | 第111-115页 |
| 6.1 总结 | 第111-112页 |
| 6.2 展望 | 第112-115页 |
| 致谢 | 第115-117页 |
| 参考文献 | 第117-129页 |
| 附录 | 第129-131页 |
| A. 作者在攻读博士学位期间发表(录用)论文 | 第129-131页 |
| B. 作者在攻读博士学位期间参与的科研项目 | 第131页 |
