| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 引言 | 第14-18页 |
| 1.2 相关图像分类研究现状 | 第18-21页 |
| 1.3 基于矩阵分解的图像分类方法 | 第21-23页 |
| 1.4 论文主要工作 | 第23-24页 |
| 1.5 论文结构安排 | 第24-26页 |
| 第二章 基于最近邻基向量的自然图像分类 | 第26-44页 |
| 2.1 引言 | 第26-29页 |
| 2.2 存在的字典学习方法和特征编码技术 | 第29-30页 |
| 2.2.1 稀疏编码空间金字塔匹配 | 第29页 |
| 2.2.2 局部约束线性编码 | 第29-30页 |
| 2.2.3 显著编码 | 第30页 |
| 2.3 最近邻基向量空间金字塔匹配 | 第30-32页 |
| 2.4 实验结果 | 第32-42页 |
| 2.4.1 实验设置 | 第33页 |
| 2.4.2 15 Scenes数据集 | 第33-38页 |
| 2.4.3 UIUC Sports Event数据集 | 第38-42页 |
| 2.5 本章小结 | 第42-44页 |
| 第三章 基于图正则判别非负矩阵分解的人脸识别 | 第44-62页 |
| 3.1 引言 | 第44-45页 |
| 3.2 相关工作 | 第45-47页 |
| 3.2.1 非负矩阵分解 | 第45-46页 |
| 3.2.2 局部非负矩阵分解 | 第46-47页 |
| 3.2.3 图正则非负矩阵分解 | 第47页 |
| 3.2.4 流形正则判别非负矩阵分解 | 第47页 |
| 3.3 图正则判别非负矩阵分解 | 第47-49页 |
| 3.3.1 GDNMF模型 | 第47-48页 |
| 3.3.2 GDNMF的更新规则 | 第48-49页 |
| 3.4 实验结果 | 第49-58页 |
| 3.4.1 实验设置 | 第50页 |
| 3.4.2 人脸识别 | 第50-52页 |
| 3.4.3 计算时间和计算复杂性分析 | 第52-56页 |
| 3.4.4 参数选择 | 第56-58页 |
| 3.5 收敛性证明 | 第58-60页 |
| 3.6 本章小结 | 第60-62页 |
| 第四章 基于空间金字塔匹配的稀疏非负矩阵分解 | 第62-78页 |
| 4.1 引言 | 第62-63页 |
| 4.2 相关工作 | 第63-65页 |
| 4.2.1 主要成分分析 | 第63页 |
| 4.2.2 线性判别分析 | 第63-64页 |
| 4.2.3 局部保持投影 | 第64-65页 |
| 4.3 空间金字塔匹配的稀疏非负矩阵分解 | 第65-69页 |
| 4.3.1 基于欧式距离的稀疏非负矩阵分解 | 第65-66页 |
| 4.3.2 基于KL散度的稀疏非负矩阵分解 | 第66-68页 |
| 4.3.3 空间金字塔匹配模型 | 第68-69页 |
| 4.3.4 字典学习和特征编码算法 | 第69页 |
| 4.4 实验结果 | 第69-72页 |
| 4.4.1 实验设置 | 第70页 |
| 4.4.2 数据集描述 | 第70-71页 |
| 4.4.3 性能评估和比较 | 第71-72页 |
| 4.5 收敛性证明 | 第72-76页 |
| 4.6 本章小结 | 第76-78页 |
| 第五章 基于交替方向法的联合稀疏向量快速恢复算法 | 第78-92页 |
| 5.1 引言 | 第78-79页 |
| 5.2 MMV问题形成 | 第79-81页 |
| 5.3 基于交替方向法的联合稀疏向量恢复 | 第81-85页 |
| 5.4 实验结果 | 第85-90页 |
| 5.4.1 实验设置 | 第85-86页 |
| 5.4.2 仿真实验 | 第86-90页 |
| 5.5 本章小结 | 第90-92页 |
| 总结与展望 | 第92-94页 |
| 参考文献 | 第94-108页 |
| 致谢 | 第108-110页 |
| 攻读博士学位期间发表的学术论文目录 | 第110-113页 |
| 附件 | 第113页 |