| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-15页 |
| 缩略语对照表 | 第15-21页 |
| 第一章 绪论 | 第21-35页 |
| 1.1 研究背景和意义 | 第21-24页 |
| 1.1.1 子空间聚类 | 第21-23页 |
| 1.1.2 半监督数据分类 | 第23-24页 |
| 1.2 稀疏和低秩模型的研究进展 | 第24-29页 |
| 1.2.1 稀疏表示模型 | 第24-25页 |
| 1.2.2 低秩表示模型 | 第25-26页 |
| 1.2.3 低秩矩阵分解的单子空间模型 | 第26-27页 |
| 1.2.4 低秩矩阵分解的多子空间模型 | 第27-29页 |
| 1.3 低秩矩阵分解的研究进展 | 第29-32页 |
| 1.3.1 非负矩阵分解 | 第30页 |
| 1.3.2 贝叶斯分层结构下的低秩矩阵分解 | 第30-32页 |
| 1.4 论文的主要内容 | 第32-35页 |
| 第二章 基于低秩和稀疏关联图的半监督学习 | 第35-59页 |
| 2.1 引言 | 第35-38页 |
| 2.2 低秩表示 | 第38-39页 |
| 2.3 稀疏一致性表示 | 第39-43页 |
| 2.3.1 非负低秩稀疏一致性表示 | 第40-41页 |
| 2.3.2 简化的稀疏一致性表示 | 第41-43页 |
| 2.4 模型的优化求解 | 第43-45页 |
| 2.4.1 稀疏一致性表示模型的优化求解 | 第43-45页 |
| 2.4.2 非负低秩稀疏一致性表示问题的求解 | 第45页 |
| 2.5 稀疏一致性关联图的构造方法 | 第45-47页 |
| 2.5.1 构造稀疏一致性关联图 | 第45-46页 |
| 2.5.2 基于关联图的半监督分类 | 第46-47页 |
| 2.6 实验结果与分析 | 第47-58页 |
| 2.6.1 SCR方法的时间复杂度分析与比较 | 第47-49页 |
| 2.6.2 高维图像数据上分类性能的比较 | 第49-53页 |
| 2.6.3 UCI数据上的分类性能的比较 | 第53-54页 |
| 2.6.4 SCR方法的噪声鲁棒性分析 | 第54页 |
| 2.6.5 SCR方法中的参数敏感性分析 | 第54-58页 |
| 2.7 本章小结 | 第58-59页 |
| 第三章 基于半监督低秩表示的数据分类和显著性检测 | 第59-83页 |
| 3.1 引言 | 第59-61页 |
| 3.2 低秩表示和半监督分类的基本原理 | 第61-63页 |
| 3.2.1 低秩表示 | 第61-62页 |
| 3.2.2 基于关联图的半监督学习 | 第62-63页 |
| 3.3 半监督低秩学习算法 | 第63-70页 |
| 3.3.1 半监督低秩学习算法的建模 | 第63-66页 |
| 3.3.2 半监督低秩学习算法的优化求解 | 第66-67页 |
| 3.3.3 基于SSLRL的异常样本检测和显著性检测 | 第67-70页 |
| 3.4 SSLRL算法复杂度分析 | 第70-71页 |
| 3.5 实验结果与分析 | 第71-81页 |
| 3.5.1 与传统基于LRR-graph的半监督分类方法的比较 | 第71-74页 |
| 3.5.2 与半监督分类方法的比较 | 第74-77页 |
| 3.5.3 在人工数据集上对异常样本和若干样本损坏的鲁棒性 | 第77-78页 |
| 3.5.4 SSLRL在显著性检测中的性能 | 第78-80页 |
| 3.5.5 SSLRL算法的参数敏感性分析 | 第80-81页 |
| 3.6 本章小结 | 第81-83页 |
| 第四章 基于全局对比性和局部一致性正则的低秩矩阵恢复及其在显著性检测中的应用 | 第83-101页 |
| 4.1 引言 | 第83-85页 |
| 4.2 传统图像超像素块显著性估计 | 第85-88页 |
| 4.2.1 超像素近邻分布 | 第85-86页 |
| 4.2.2 边缘连接性 | 第86-87页 |
| 4.2.3 基于低秩矩阵恢复的显著性区域检测 | 第87-88页 |
| 4.3 基于全局对比性和局部一致性正则的低秩矩阵恢复 | 第88-91页 |
| 4.3.1 全局对比度准则和C-regularization | 第88-90页 |
| 4.3.2 局部一致性正则 | 第90-91页 |
| 4.4 问题的优化求解 | 第91-93页 |
| 4.5 实验结果与分析 | 第93-98页 |
| 4.5.1 在MSRA_1000数据集上的实验结果与分析 | 第94-96页 |
| 4.5.2 在MSRA_10000数据集上的实验结果与分析 | 第96-98页 |
| 4.6 本章小结 | 第98-101页 |
| 第五章 基于贝叶斯分层结构的鲁棒非负矩阵分解 | 第101-119页 |
| 5.1 引言 | 第101-102页 |
| 5.2 低秩矩阵分解 | 第102-103页 |
| 5.3 基于贝叶斯分层结构的鲁棒非负低秩矩阵分解建模 | 第103-109页 |
| 5.3.1 贝叶斯分层结构 | 第103-106页 |
| 5.3.2 模型推理求解 | 第106-109页 |
| 5.4 实验结果与分析 | 第109-116页 |
| 5.4.1 在人工数据集上的去噪性能分析 | 第110-113页 |
| 5.4.2 在人脸数据集上的去阴影性能分析 | 第113-114页 |
| 5.4.3 在SABS视频流上的运动目标检测性能分析 | 第114-115页 |
| 5.4.4 在PTIS视频流上的运动目标检测性能分析 | 第115-116页 |
| 5.5 本章小结 | 第116-119页 |
| 第六章 基于自表示的在线低秩矩阵分解 | 第119-131页 |
| 6.1 引言 | 第119-120页 |
| 6.2 低秩矩阵分解的相关工作 | 第120页 |
| 6.3 在线低秩矩阵分解模型 | 第120-124页 |
| 6.3.1 在线低秩矩阵分解的生成过程 | 第121-122页 |
| 6.3.2 在线低秩矩阵分解的映射过程 | 第122-123页 |
| 6.3.3 模型的代价函数 | 第123-124页 |
| 6.4 模型的优化求解 | 第124页 |
| 6.5 实验结果与分析 | 第124-130页 |
| 6.5.1 实验对比算法和关键参数设计 | 第125页 |
| 6.5.2 在人工数据集上去异常值的实验结果与分析 | 第125-127页 |
| 6.5.3 在静态背景的数据集上运动目标检测和背景恢复的实验结果与分析 | 第127-129页 |
| 6.5.4 在动态背景数据集上运动目标检测和背景恢复的实验结果与分析 | 第129-130页 |
| 6.6 本章小结 | 第130-131页 |
| 第七章 总结与展望 | 第131-135页 |
| 参考文献 | 第135-151页 |
| 致谢 | 第151-153页 |
| 作者简介 | 第153-155页 |
