| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 前言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 多视角学习方法研究现状 | 第10-14页 |
| 1.2.1 协同训练 | 第11-12页 |
| 1.2.2 多核学习 | 第12-13页 |
| 1.2.3 图集成学习 | 第13-14页 |
| 1.3 多视角学习原则 | 第14页 |
| 1.4 本文工作及结构安排 | 第14-16页 |
| 第2章 相关概念及理论 | 第16-30页 |
| 2.1 半监督学习 | 第16-17页 |
| 2.1.1 半监督学习原理 | 第16-17页 |
| 2.1.2 半监督学习框架 | 第17页 |
| 2.2 损失函数 | 第17-19页 |
| 2.3 稀疏编码算法背景介绍 | 第19-20页 |
| 2.4 图像特征描述 | 第20-22页 |
| 2.4.1“SIFT”特征 | 第20-21页 |
| 2.4.2“GIST”特征 | 第21-22页 |
| 2.5 流形学习 | 第22-29页 |
| 2.5.1 等距映射 | 第23-24页 |
| 2.5.2 Laplacian特征映射 | 第24-25页 |
| 2.5.3 局部线性嵌入 | 第25-26页 |
| 2.5.4 Hessian局部线性映射 | 第26-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 多视角logistic回归 | 第30-44页 |
| 3.1 引言 | 第30-31页 |
| 3.2 Hessian正则化分析 | 第31-32页 |
| 3.3 SVM和logistic函数 | 第32-34页 |
| 3.3.1 支持向量机 | 第32-33页 |
| 3.3.2 Logistic损失函数 | 第33-34页 |
| 3.4 多视角Hessian正则化的logistic回归 | 第34-36页 |
| 3.5 算法描述 | 第36-38页 |
| 3.6 实验过程 | 第38-43页 |
| 3.6.1 单视角logistic算法的实验及结果分析 | 第39-41页 |
| 3.6.2 多视角logistic算法的实验及结果分析 | 第41-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 多视角稀疏编码 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 基于多视角稀疏编码的人脸特征提取 | 第44-48页 |
| 4.2.1 学习稀疏编码W | 第46-47页 |
| 4.2.2 学习可分离人脸部件字典D | 第47-48页 |
| 4.3 实验结果与分析 | 第48-52页 |
| 4.3.1 实验设置 | 第48-50页 |
| 4.3.2 人脸识别实验 | 第50-51页 |
| 4.3.3 表情识别实验 | 第51-52页 |
| 4.4 基于Gabor特征的多视角人脸分析 | 第52-55页 |
| 4.4.1 Gabor小波特征 | 第52-53页 |
| 4.4.2 多视角Gabor小波特征在人脸表情中应用 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 Hessian正则化的再分析 | 第56-66页 |
| 5.1 引言 | 第56页 |
| 5.2 基于patch alignment框架的Hessian推导 | 第56-60页 |
| 5.2.1 patch alignment框架 | 第56-57页 |
| 5.2.2 Hessian推导 | 第57-59页 |
| 5.2.3 Hessian有效性验证 | 第59-60页 |
| 5.3 Hessian的不稳定性分析 | 第60-61页 |
| 5.4 Laplacian-Hessian正则化的核最小平方 | 第61-62页 |
| 5.5 实验结果与分析 | 第62-64页 |
| 5.6 本章小结 | 第64-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间取得的学术成果 | 第74-75页 |
| 致谢 | 第75页 |
