基于低秩稀疏表征的图像分类算法研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究的背景及意义 | 第9-10页 |
| 1.2 研究的国内外现状 | 第10-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 本文的章节安排 | 第13-15页 |
| 2 分类算法的相关理论基础 | 第15-27页 |
| 2.1 引言 | 第15-16页 |
| 2.2 特征提取方法 | 第16-20页 |
| 2.2.1 主成分分析(PCA) | 第16-17页 |
| 2.2.2 线性判别分析方法(LDA) | 第17-18页 |
| 2.2.3 局部保持投影(LPP) | 第18-19页 |
| 2.2.4 稀疏保持投影(SPP) | 第19-20页 |
| 2.3 稀疏低秩表征理论 | 第20-24页 |
| 2.3.1 稀疏表征(SR)理论 | 第20-22页 |
| 2.3.2 低秩表征(LRR)理论 | 第22-23页 |
| 2.3.3 加权核范数最小(WNNM)理论 | 第23-24页 |
| 2.4 经典分类器 | 第24-26页 |
| 2.4.1 贝叶斯分类器 | 第24-25页 |
| 2.4.2 支持向量机(SVM) | 第25页 |
| 2.4.3 基于回归方法的分类器 | 第25-26页 |
| 2.5 小结 | 第26-27页 |
| 3 基于稀疏与低秩表征的分类算法 | 第27-32页 |
| 3.1 引言 | 第27页 |
| 3.2 相关理论知识 | 第27-28页 |
| 3.2.1 迁移学习(TL)理论 | 第27-28页 |
| 3.2.2 图正则项 | 第28页 |
| 3.3 基于稀疏表征的分类算法 | 第28-29页 |
| 3.4 基于低秩表征的分类算法 | 第29-30页 |
| 3.5 基于稀疏低秩表征的分类算法 | 第30-31页 |
| 3.6 小结 | 第31-32页 |
| 4 稀疏局部保持投影算法 | 第32-48页 |
| 4.1 引言 | 第32-33页 |
| 4.2 LASSO算法 | 第33页 |
| 4.3 稀疏局部保持投影算法SpLPP | 第33-39页 |
| 4.3.1 LPP的回归分析 | 第34-36页 |
| 4.3.2 稀疏约束 | 第36-38页 |
| 4.3.3 正则化形式RSpLPP | 第38-39页 |
| 4.3.4 SpLPP算法的复杂度分析 | 第39页 |
| 4.4 实验结果 | 第39-47页 |
| 4.4.1 基于表征的实验 | 第39-43页 |
| 4.4.2 基于分类的实验 | 第43-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 总结及展望 | 第48-50页 |
| 5.1 本文的工作总结 | 第48-49页 |
| 5.2 今后的工作展望 | 第49-50页 |
| 参考文献 | 第50-56页 |
| 附录 | 第56-57页 |
| 附录 英文缩写对应全称 | 第57-59页 |
| 攻读硕士学位期间主要的研究成果 | 第59-60页 |
| 致谢 | 第60-62页 |
