| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景及意义 | 第10-12页 |
| 1.2 课题的研究现状及趋势 | 第12-14页 |
| 1.3 论文主要研究内容与组织结构 | 第14-16页 |
| 第2章 基于实例的迁移学习算法研究 | 第16-30页 |
| 2.1 迁移学习基本概念 | 第16-18页 |
| 2.2 迁移学习分类 | 第18-19页 |
| 2.3 主要迁移学习方法 | 第19-21页 |
| 2.4 迁移学习应用及其未来发展 | 第21-22页 |
| 2.5 TRADABOOST算法原理 | 第22-27页 |
| 2.5.1 Tradaboost算法基本思想 | 第23-24页 |
| 2.5.2 Tradaboost算法概述 | 第24-25页 |
| 2.5.3 Tradaboost算法机制 | 第25-26页 |
| 2.5.4 Tradaboost算法流程 | 第26-27页 |
| 2.6 TRADABOOST算法实验分析 | 第27-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第3章 样本扩充算法研究 | 第30-42页 |
| 3.1 常用人脸库介绍 | 第30-32页 |
| 3.2 镜像变换 | 第32-33页 |
| 3.3 对称脸方法 | 第33页 |
| 3.4 滑动窗口法 | 第33-35页 |
| 3.5 由相似特征进行样本扩充 | 第35-36页 |
| 3.6 实验及分析 | 第36-40页 |
| 3.6.1 单样本实验 | 第36页 |
| 3.6.2 镜像扩充方法实验 | 第36-37页 |
| 3.6.3 对称脸扩充方法实验 | 第37-39页 |
| 3.6.4 滑动窗口扩充方法实验 | 第39-40页 |
| 3.6.5 提取相似特征扩充方法实验 | 第40页 |
| 3.7 本章小结 | 第40-42页 |
| 第4章 基于扩充稀疏表示分类的人脸识别 | 第42-50页 |
| 4.1 稀疏表示基本理论及相关说明 | 第42-44页 |
| 4.1.1 稀疏表示的理论概述 | 第42-44页 |
| 4.1.2 稀疏性的度量 | 第44页 |
| 4.2 分析字典的构造与SRC算法 | 第44-45页 |
| 4.3 ESRC的算法原理及实现 | 第45-47页 |
| 4.4 实验结果与分析 | 第47-49页 |
| 4.4.1 SRC、ESRC算法的数据集及实验设计 | 第47-48页 |
| 4.4.2 样本数量对算法识别率的影响 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于稀疏迁移的单样本人脸识别 | 第50-66页 |
| 5.1 相关理论概述 | 第50-51页 |
| 5.2 迁移字典的构造 | 第51-52页 |
| 5.3 稀疏迁移字典的构造 | 第52-53页 |
| 5.4 稀疏迁移分解算法的选择 | 第53-58页 |
| 5.4.1 截断牛顿内点法 | 第54页 |
| 5.4.2 同伦算法 | 第54-55页 |
| 5.4.3 增广拉格朗日法 | 第55-58页 |
| 5.5 实验分析 | 第58-64页 |
| 5.5.1 迁移学习与镜像变换对比试验 | 第58-59页 |
| 5.5.2 迁移学习与滑动窗口法对比试验 | 第59-60页 |
| 5.5.3 迁移学习与提取相似特征对比试验 | 第60-61页 |
| 5.5.4 迁移学习与扩充稀疏表示方法对比试验 | 第61-64页 |
| 5.6 本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第74-76页 |
| 致谢 | 第76页 |