摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-14页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 研究现状及发展趋势 | 第10-12页 |
1.3 本文的主要工作 | 第12-13页 |
1.4 本文的组织结构 | 第13-14页 |
第二章 相关的线性回归方法 | 第14-23页 |
2.1 经典线性假设 | 第14-17页 |
2.1.1 主成分分析 | 第14-15页 |
2.1.2 独立成分分析 | 第15-16页 |
2.1.3 线性判别分析 | 第16-17页 |
2.2 线性回归方法 | 第17-22页 |
2.2.1 稀疏表示分类器 | 第17-19页 |
2.2.2 协同表示分类器 | 第19-20页 |
2.2.3 线性回归分类器 | 第20-21页 |
2.2.4 局部线性回归 | 第21-22页 |
2.3 本章小结 | 第22-23页 |
第三章 扩展的线性回归分类器 | 第23-34页 |
3.1 线性回归分类器 | 第24-25页 |
3.2 样本偏差对LRC影响 | 第25-26页 |
3.3 扩展的线性回归分类器 | 第26-29页 |
3.4 实验结果及分析 | 第29-33页 |
3.4.1 所有训练图像已按场景正确分组 | 第30-32页 |
3.4.2 仅有部分图像已按场景分类 | 第32-33页 |
3.5 本章小结 | 第33-34页 |
第四章 基于虚拟样本的协同表示分类器 | 第34-44页 |
4.1 协同表示分类器 | 第35-38页 |
4.1.1 协同表示分类器 | 第35-36页 |
4.1.2 协同表示分类器分析 | 第36-38页 |
4.2 基于虚拟样本的协同表示分类器 | 第38-39页 |
4.3 实验结果与分析 | 第39-43页 |
4.3.1 Yale库上的实验结果 | 第39-40页 |
4.3.2 AR库上的实验结果 | 第40-41页 |
4.3.3 FERET库上的实验结果 | 第41-43页 |
4.4 结束语 | 第43-44页 |
第五章 基于Elastic Net的协同表示分类器 | 第44-54页 |
5.1 线性回归 | 第44-48页 |
5.1.1 最小二乘解 | 第45-46页 |
5.1.2 岭回归 | 第46页 |
5.1.3 Lasso | 第46-48页 |
5.2 协同表示与线性回归 | 第48-49页 |
5.3 基于Elastic Net的协同表示分类器 | 第49-50页 |
5.4 实验结果与分析 | 第50-53页 |
5.5 结束语 | 第53-54页 |
第六章 总结与展望 | 第54-56页 |
6.1 总结 | 第54页 |
6.2 展望 | 第54-56页 |
参考文献 | 第56-62页 |
攻读硕士学位期间发表的论文 | 第62-63页 |
致谢 | 第63-64页 |