| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 选题背景和意义 | 第12-14页 |
| 1.2 国内外相关研究现状 | 第14-16页 |
| 1.3 主要研究内容与创新点 | 第16-20页 |
| 第2章 图像稀疏表示和深度学习方法 | 第20-32页 |
| 2.1 压缩感知 | 第20-23页 |
| 2.1.1 基础框架 | 第20-21页 |
| 2.1.2 信号的稀疏表示 | 第21-22页 |
| 2.1.3 观测矩阵设计 | 第22页 |
| 2.1.4 信号重构 | 第22-23页 |
| 2.2 稀疏表示 | 第23-25页 |
| 2.2.1 稀疏表示数学基础 | 第23-24页 |
| 2.2.2 稀疏表示与压缩感知的关系 | 第24-25页 |
| 2.3 深度学习 | 第25-30页 |
| 2.3.1 深度学习基础知识 | 第25-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 一种基于全局和局部特征融合的稀疏表示分类识别算法 | 第32-50页 |
| 3.1 引言 | 第32-34页 |
| 3.2 稀疏表示分解算法 | 第34-39页 |
| 3.2.1 全局优化算法 | 第34-36页 |
| 3.2.2 贪婪算法 | 第36-39页 |
| 3.3 一种基于Log-Gabor特征的稀疏表示分类算法 | 第39-42页 |
| 3.3.1 Gabor特征分析 | 第39-40页 |
| 3.3.2 Log-Gabor特征分析 | 第40页 |
| 3.3.3 Log-Gabor特征提取 | 第40-41页 |
| 3.3.4 Log-GSRC算法模型 | 第41-42页 |
| 3.4 实验 | 第42-49页 |
| 3.4.1 公共人脸数据集 | 第43页 |
| 3.4.2 交通标志数据集 | 第43-45页 |
| 3.4.3 实验结果 | 第45-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 一种基于字典学习的稀疏表示分类识别算法 | 第50-70页 |
| 4.1 引言 | 第50-51页 |
| 4.2 字典学习基础 | 第51-55页 |
| 4.2.1 字典学习数学基础 | 第51-53页 |
| 4.2.2 字典构造方法 | 第53-55页 |
| 4.3 字典学习训练算法 | 第55-57页 |
| 4.3.1 最优方向算法(Method of Optical Directions,MOD) | 第55-56页 |
| 4.3.2 在线字典学习算法(Online Dictionary Learning,ODL) | 第56页 |
| 4.3.3 K-SVD算法 | 第56-57页 |
| 4.4 基于K-SVD字典学习的稀疏表示分类识别算法 | 第57-61页 |
| 4.4.1 K-means均值算法 | 第57-58页 |
| 4.4.2 K-SVD算法 | 第58-60页 |
| 4.4.3 基于K-SVD字典学习的稀疏表示分类识别算法 | 第60-61页 |
| 4.5 实验 | 第61-68页 |
| 4.5.1 公共人脸数据集 | 第61-62页 |
| 4.5.2 交通标志样本集 | 第62-63页 |
| 4.5.3 实验结果 | 第63-68页 |
| 4.6 本章小结 | 第68-70页 |
| 第5章 一种基于深度学习特征的稀疏表示分类识别算法 | 第70-98页 |
| 5.1 引言 | 第71-73页 |
| 5.2 图像特征的表示方法 | 第73-75页 |
| 5.2.1 基于全局特征的图像表示方法 | 第73-74页 |
| 5.2.2 基于局部特征的图像表示方法 | 第74页 |
| 5.2.3 基于深度学习特征的图像表示方法 | 第74-75页 |
| 5.3 深度学习特征的数学模型 | 第75-86页 |
| 5.3.1 BP神经网络(Back Propagation Neural Networks) | 第75-77页 |
| 5.3.2 卷积神经网络(Convolutional Neural Networks) | 第77-78页 |
| 5.3.3 玻尔兹曼机(Boltzmann Machine)和受限玻尔兹曼机(Restricted Boltzmann Mechine) | 第78-82页 |
| 5.3.4 自动编码器(AutoEncoder) | 第82-83页 |
| 5.3.5 稀疏编码和稀疏自编码(Sparse Coding) | 第83-85页 |
| 5.3.6 深度置信网络(Deep Belief Networks) | 第85-86页 |
| 5.4 基于深度学习特征的稀疏表示分类识别算法 | 第86-91页 |
| 5.4.1 深度卷积神经网络 | 第86-87页 |
| 5.4.2 深度卷积神经网络特征提取模型 | 第87-90页 |
| 5.4.3 基于深度卷积神经网络特征的稀疏表示分类识别算法 | 第90-91页 |
| 5.5 实验 | 第91-96页 |
| 5.5.1 数据集 | 第91-94页 |
| 5.5.2 实验结果 | 第94-96页 |
| 5.6 本章小结 | 第96-98页 |
| 第6章 总结和展望 | 第98-100页 |
| 6.1 主要工作和创新点 | 第98-99页 |
| 6.2 下一步工作展望 | 第99-100页 |
| 参考文献 | 第100-110页 |
| 致谢 | 第110-112页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第112页 |
