| 摘要 | 第3-5页 |
| ABSTRACT（英文摘要） | 第5-6页 |
| 主要符号对照表 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究进展综述 | 第14-20页 |
| 1.2.1 视觉系统的神经生理基础 | 第15页 |
| 1.2.2 视觉理论 | 第15-17页 |
| 1.2.2.1 Marr的特征分析理论 | 第15-16页 |
| 1.2.2.2 Poggio正则化理论 | 第16页 |
| 1.2.2.3 Gestalt拓扑知觉理论 | 第16-17页 |
| 1.2.3 神经信息编码与视觉感知模型 | 第17-20页 |
| 1.2.3.1 神经编码 | 第17-18页 |
| 1.2.3.2 有效编码 | 第18-19页 |
| 1.2.3.3 视觉感知模型 | 第19-20页 |
| 1.3 本文研究内容及组织结构 | 第20-21页 |
| 第二章 视觉感知系统神经生理学基础和计算理论基础 | 第21-44页 |
| 2.1 视觉感知系统神经生理学基础 | 第21-29页 |
| 2.1.1 神经元感受野 | 第21-27页 |
| 2.1.1.1 视网膜神经节细胞的感受野 | 第22-23页 |
| 2.1.1.2 外膝体神经细胞的感受野 | 第23-24页 |
| 2.1.1.3 初级视皮层神经元的感受野 | 第24-27页 |
| 2.1.2 眼优势柱、朝向柱和超柱 | 第27-28页 |
| 2.1.2.1 眼优势柱 | 第27页 |
| 2.1.2.2 朝向柱 | 第27页 |
| 2.1.2.3 超柱 | 第27-28页 |
| 2.1.3 视觉系统的信息处理通路 | 第28-29页 |
| 2.2 视觉感知的计算理论基础 | 第29-42页 |
| 2.2.1 自然图像及其统计特性 | 第29-32页 |
| 2.2.1.1 自然图像 | 第29页 |
| 2.2.1.2 自然图像的二阶统计特性 | 第29-30页 |
| 2.2.1.3 自然图像的高阶统计特性 | 第30-32页 |
| 2.2.1.4 自然图像的时空统计特性 | 第32页 |
| 2.2.2 盲信号分解方法 | 第32-37页 |
| 2.2.2.1 主分量分析 | 第33页 |
| 2.2.2.2 独立分量分析 | 第33-34页 |
| 2.2.2.3 非负矩阵分解 | 第34-35页 |
| 2.2.2.4 张量分解 | 第35-36页 |
| 2.2.2.5 局部线性嵌入 | 第36页 |
| 2.2.2.6 等特征匹配 | 第36-37页 |
| 2.2.3 优化判据 | 第37-40页 |
| 2.2.3.1 最小二乘法 | 第37-38页 |
| 2.2.3.2 互信息极小化 | 第38页 |
| 2.2.3.3 信息极大化 | 第38-39页 |
| 2.2.3.4 Kullback-Leibler散度 | 第39页 |
| 2.2.3.5 极大似然判据 | 第39页 |
| 2.2.3.6 贝叶斯判据 | 第39-40页 |
| 2.2.4 优化算法 | 第40-42页 |
| 2.2.4.1 梯度下降法 | 第40页 |
| 2.2.4.2 自然梯度法 | 第40-41页 |
| 2.2.4.3 随机梯度下降法 | 第41页 |
| 2.2.4.4 拟牛顿梯度法 | 第41-42页 |
| 2.2.4.5 共轭梯度法 | 第42页 |
| 2.3 本章小结 | 第42-44页 |
| 第三章 初级视皮层感受野时空特征提取 | 第44-74页 |
| 3.1 引言 | 第44页 |
| 3.2 简单细胞感受野 | 第44-53页 |
| 3.2.1 数学模型及自适应学习规则 | 第44-46页 |
| 3.2.2 自适应学习算法实现 | 第46-47页 |
| 3.2.3 自然图像基函数 | 第47-49页 |
| 3.2.4 用Gabor波拟合图像基函数 | 第49-50页 |
| 3.2.5 神经元响应稀疏性分析 | 第50-53页 |
| 3.3 复杂细胞的感受野 | 第53-56页 |
| 3.3.1 自组织学习算法 | 第53-54页 |
| 3.3.2 复杂细胞的感受野 | 第54-56页 |
| 3.4 自然图像序列分解 | 第56-63页 |
| 3.4.1 变换基函数学习模型 | 第56页 |
| 3.4.2 图像块序列变换 | 第56-58页 |
| 3.4.2.1 平移图像块序列采集 | 第56-57页 |
| 3.4.2.2 旋转图像块序列采集 | 第57页 |
| 3.4.2.3 缩放图像块序列采集 | 第57-58页 |
| 3.4.3 图像块序列预处理 | 第58-59页 |
| 3.4.4 变换基函数 | 第59-60页 |
| 3.4.4.1 平移变换基函数 | 第59页 |
| 3.4.4.2 旋转变换基函数 | 第59页 |
| 3.4.4.3 缩放变换基函数 | 第59页 |
| 3.4.4.4 变换基函数分析 | 第59-60页 |
| 3.4.5 NGTICA算法的讨论 | 第60-63页 |
| 3.5 基于不变性表示的时空特征提取 | 第63-73页 |
| 3.5.1 时空特征提取模型 | 第64页 |
| 3.5.2 时空特征学习算法 | 第64-66页 |
| 3.5.3 数值实验 | 第66-71页 |
| 3.5.3.1 自然图像序列中的时空特征 | 第66-67页 |
| 3.5.3.2 时空特征的结构 | 第67-68页 |
| 3.5.3.3 TV视频序列的时空特征 | 第68-71页 |
| 3.5.3.4 人脸时空特征 | 第71页 |
| 3.5.4 讨论 | 第71-73页 |
| 3.6 本章小结 | 第73-74页 |
| 第四章 内容和运动感知模型及算法 | 第74-88页 |
| 4.1 引言 | 第74页 |
| 4.2 内容和平移运动感知 | 第74-81页 |
| 4.2.1 感知模型 | 第75-76页 |
| 4.2.2 感知算法 | 第76-77页 |
| 4.2.2.1 内容感知算法 | 第76-77页 |
| 4.2.2.2 平移运动感知算法 | 第77页 |
| 4.2.3 数值实验 | 第77-81页 |
| 4.2.3.1 内容感知 | 第77-79页 |
| 4.2.3.2 平移运动方向和速度感知 | 第79-81页 |
| 4.3 旋转运动感知 | 第81-85页 |
| 4.3.1 旋转运动感知模型 | 第81-82页 |
| 4.3.2 旋转不变性分析 | 第82-84页 |
| 4.3.3 旋转感知数值实验 | 第84-85页 |
| 4.4 运动感知泛化模型 | 第85-87页 |
| 4.5 本章小结 | 第87-88页 |
| 第五章 人脸视角感知模型及算法 | 第88-104页 |
| 5.1 引言 | 第88-89页 |
| 5.2 基于ICA的人脸视角感知模型 | 第89-96页 |
| 5.2.1 人脸视角感知模型与感知算法 | 第90页 |
| 5.2.2 人脸多视角基函数 | 第90-92页 |
| 5.2.3 神经元响应分析 | 第92-93页 |
| 5.2.4 人脸视角感知 | 第93-95页 |
| 5.2.5 感知结果分析 | 第95-96页 |
| 5.3 基于张量分解的人脸视角感知模型 | 第96-103页 |
| 5.3.1 张量表象与学习算法 | 第96-98页 |
| 5.3.1.1 张量分解与视角估计模型 | 第96-97页 |
| 5.3.1.2 NMWF 算法 | 第97-98页 |
| 5.3.2 张量脸表征与人脸视角估计 | 第98-99页 |
| 5.3.2.1 张量脸表征 | 第98-99页 |
| 5.3.2.2 人脸视角估计 | 第99页 |
| 5.3.3 数值实验 | 第99-103页 |
| 5.3.3.1 人脸库 | 第99页 |
| 5.3.3.2 张量脸表征 | 第99-101页 |
| 5.3.3.3 视角估计 | 第101-103页 |
| 5.4 本章小结 | 第103-104页 |
| 结论 | 第104-107页 |
| 参考文献 | 第107-116页 |
| 致谢 | 第116-117页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第117-120页 |