基于视觉皮层网络的物体整体特征分析与算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 主要符号对照表 | 第11-12页 |
| 第一章 绪论 | 第12-22页 |
| ·引言 | 第12-13页 |
| ·国内外研究进展综述 | 第13-20页 |
| ·视觉系统的神经生理学基础 | 第13-15页 |
| ·视觉计算理论 | 第15-16页 |
| ·视觉编码 | 第16-17页 |
| ·视觉计算模型 | 第17-20页 |
| ·本文研究内容及组织结构 | 第20-22页 |
| ·本文的研究目的 | 第20页 |
| ·本文的研究内容 | 第20页 |
| ·本文的组织结构 | 第20-22页 |
| 第二章 视觉系统神经基础和计算模型 | 第22-43页 |
| ·生物视觉系统 | 第22-26页 |
| ·视觉通路 | 第22-23页 |
| ·神经元的感受野 | 第23-25页 |
| ·超完备表示和稀疏性 | 第25-26页 |
| ·稀疏编码 | 第26-28页 |
| ·稀疏编码的数学模型 | 第26-27页 |
| ·独立成分分析 | 第27-28页 |
| ·分层的视觉模型HMAX | 第28-31页 |
| ·隐狄利克雷配置 | 第31-36页 |
| ·LDA的生成模型 | 第31-33页 |
| ·LDA的变分推理 | 第33-35页 |
| ·LDA的参数估计 | 第35页 |
| ·LDA在计算机视觉领域的应用 | 第35-36页 |
| ·波尔兹曼机 | 第36-38页 |
| ·模型结构 | 第36-37页 |
| ·能量极小化 | 第37页 |
| ·避免局部极值 | 第37页 |
| ·学习算法 | 第37-38页 |
| ·深层信念网络 | 第38-42页 |
| ·马尔科夫链和Gibbs采样 | 第39-40页 |
| ·马尔科夫链 | 第39页 |
| ·Gibbs采样 | 第39-40页 |
| ·受限波尔茨曼机 | 第40-41页 |
| ·相对散度学习 | 第41页 |
| ·逐层的贪心学习算法 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 基于任务相关局部组合特征的物体识别 | 第43-64页 |
| ·引言 | 第43-44页 |
| ·模型和算法 | 第44-58页 |
| ·Gabor滤波 | 第44-47页 |
| ·基于互信息的特征选择算法 | 第47-56页 |
| ·基于互信息的特征选择简介 | 第47-48页 |
| ·预备知识 | 第48-50页 |
| ·算法描述和分析 | 第50-56页 |
| ·基于任务相关组合特征的分层模型 | 第56-58页 |
| ·实验结果分析 | 第58-62页 |
| ·特征选取 | 第58-59页 |
| ·物体检测 | 第59-61页 |
| ·多类物体分类 | 第61-62页 |
| ·讨论 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第四章 基于稀疏编码的分层隐主题模型及其应用 | 第64-85页 |
| ·引言 | 第64-65页 |
| ·基础知识 | 第65-71页 |
| ·狄利克雷分布 | 第65-66页 |
| ·图模型 | 第66-68页 |
| ·贝叶斯网络 | 第67-68页 |
| ·马尔科夫随机场 | 第68页 |
| ·EM算法 | 第68-71页 |
| ·变分推理 | 第71页 |
| ·模型和算法 | 第71-77页 |
| ·对自然图像小块的稀疏编码 | 第71-72页 |
| ·符号和术语的说明 | 第72-73页 |
| ·SCLDA的生成过程 | 第73-76页 |
| ·SCLDA的参数估计 | 第76-77页 |
| ·实验结果分析 | 第77-83页 |
| ·自然场景分类 | 第77-80页 |
| ·多类物体识别 | 第80-83页 |
| ·讨论 | 第83-84页 |
| ·本章小结 | 第84-85页 |
| 第五章 带稀疏约束的卷积受限波尔茨曼机及其应用 | 第85-108页 |
| ·引言 | 第85-86页 |
| ·模型和算法 | 第86-92页 |
| ·受限波尔茨曼机 | 第86-87页 |
| ·相对散度学习 | 第87-89页 |
| ·卷积RBM | 第89-90页 |
| ·连续随机变量的CRBM | 第90-91页 |
| ·隐藏层单元的稀疏性 | 第91-92页 |
| ·稀疏CRBM在图像去噪上的应用 | 第92-103页 |
| ·去噪原理 | 第93-95页 |
| ·一次迭代的快速去噪算法 | 第95-100页 |
| ·参数对算法的影响分析 | 第100-103页 |
| ·硬阈值参数θ | 第100-102页 |
| ·与稀疏性有关的参数λ和δ | 第102页 |
| ·加权平均参数γ | 第102-103页 |
| ·多次迭代的去噪算法 | 第103页 |
| ·讨论 | 第103-106页 |
| ·本章小结 | 第106-108页 |
| 第六章 总结与展望 | 第108-111页 |
| ·本文的主要工作和创新点 | 第108-109页 |
| ·工作展望 | 第109-111页 |
| 参考文献 | 第111-120页 |
| 致谢 | 第120-121页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第121-125页 |
| 上海交通大学博士学位论文答辩决议书 | 第125页 |
