多核学习算法及其在人脸检测中的应用
| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-10页 |
| 1 绪论 | 第10-18页 |
| ·研究背景和意义 | 第10-11页 |
| ·研究现状 | 第11-16页 |
| ·人脸检测研究现状 | 第12-14页 |
| ·多核学习研究现状 | 第14-16页 |
| ·本文的研究内容 | 第16页 |
| ·本文的组织结构 | 第16-18页 |
| 2 多核学习理论分析 | 第18-29页 |
| ·机器学习 | 第18页 |
| ·统计学习理论 | 第18-21页 |
| ·经验风险最小化 | 第19页 |
| ·VC维 | 第19-20页 |
| ·推广性的界 | 第20-21页 |
| ·结构风险最小化 | 第21页 |
| ·支持向量机 | 第21-25页 |
| ·最优分类超平面 | 第22页 |
| ·线性情况 | 第22-24页 |
| ·非线性情况 | 第24-25页 |
| ·多核学习模型 | 第25-27页 |
| ·多核学习 | 第26页 |
| ·多核学习目标函数 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 3 基于改进梯度下降算法的MKL模型 | 第29-32页 |
| ·梯度下降算法 | 第29页 |
| ·改进的梯度下降算法 | 第29-31页 |
| ·改进梯度下降算法求解MKL模型算法 | 第31页 |
| ·本章小结 | 第31-32页 |
| 4 基于泛化误差界的MKL模型 | 第32-41页 |
| ·泛化估计分析 | 第32页 |
| ·泛化估计方法 | 第32-35页 |
| ·多核学习目标函数 | 第35-36页 |
| ·微分计算 | 第36-37页 |
| ·平滑处理 | 第36-37页 |
| ·MKL微分计算 | 第37页 |
| ·算法描述 | 第37-38页 |
| ·实验仿真 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 5 改进MKL在人脸检测中的应用 | 第41-49页 |
| ·人脸检测过程 | 第41-42页 |
| ·基于多核主成分分析特征提取算法 | 第42-43页 |
| ·人脸数据库 | 第43-45页 |
| ·Yale人脸库 | 第44页 |
| ·ORL人脸库 | 第44页 |
| ·Caltech 101图像库 | 第44-45页 |
| ·人脸检测结果及分析 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 6 总结与展望 | 第49-50页 |
| ·全文总结 | 第49页 |
| ·对研究工作的展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 附录：作者在攻读学位期间发表论文 | 第54-55页 |
| 致谢 | 第55页 |
