基于洛伦兹流形的特征提取算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-13页 |
| ·研究背景 | 第8-9页 |
| ·研究现状 | 第9-11页 |
| ·本文的主要研究工作 | 第11-13页 |
| 2 特征提取方法介绍 | 第13-29页 |
| ·经典的线性方法 | 第13-16页 |
| ·主成分分析法PCA | 第13-15页 |
| ·线性判别分析法LDA | 第15-16页 |
| ·流形学习方法 | 第16-24页 |
| ·拉普拉斯映射法LE | 第17页 |
| ·保局投影法LPP | 第17-19页 |
| ·边界分析法MFA | 第19-21页 |
| ·最大边界准则法MMC | 第21-22页 |
| ·洛伦兹投影判别法LDP | 第22-24页 |
| ·半监督的特征提取方法 | 第24-29页 |
| ·半监督判别分析SDA | 第25-26页 |
| ·基于图的半监督学习框架SSLF | 第26-29页 |
| 3 洛伦兹流形投影判别法的推广 | 第29-40页 |
| ·核化 | 第29-33页 |
| ·基本知识 | 第30-31页 |
| ·基于核的LDP算法 | 第31-33页 |
| ·拉普拉斯正则化 | 第33-35页 |
| ·基本知识 | 第33-34页 |
| ·基于拉普拉斯正则化的LDP算法 | 第34-35页 |
| ·实验 | 第35-40页 |
| ·CMU PIE数据库上的实验 | 第35-37页 |
| ·FRGC v2数据库上的实验 | 第37-38页 |
| ·ORL数据库上的实验 | 第38-39页 |
| ·分析 | 第39-40页 |
| 4 基于稀疏洛伦兹度量的半监督的人脸识别框架 | 第40-46页 |
| ·稀疏表示 | 第40页 |
| ·SL框架 | 第40-41页 |
| ·SL应用示例 | 第41-42页 |
| ·实验 | 第42-46页 |
| ·FRGC v2数据库上的实验 | 第42-43页 |
| ·CMU PIE数据库上的实验 | 第43页 |
| ·Yale B数据库上的实验 | 第43-44页 |
| ·分析 | 第44-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 攻读硕士学位期间发表学术论文情况 | 第51-52页 |
| 致谢 | 第52-54页 |
