多视图学习中的特征提取方法研究及其应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 模式识别简介 | 第12-13页 |
| 1.2 多视图学习 | 第13-14页 |
| 1.3 本文的研究工作 | 第14-15页 |
| 1.4 本文的内容安排 | 第15-17页 |
| 第二章 多视图特征提取策略及其方法回顾 | 第17-25页 |
| 2.1 多视图特征提取策略 | 第17-21页 |
| 2.1.1 单视图降维方法 | 第17-19页 |
| 2.1.2 典型相关分析及其变异 | 第19-20页 |
| 2.1.3 隐空间模型 | 第20-21页 |
| 2.2 目标函数改进的相关技巧和方法 | 第21-24页 |
| 2.2.1 不同场景下多视图方法 | 第21-22页 |
| 2.2.2 稀疏正则化 | 第22-23页 |
| 2.2.3 矩阵流形简介 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 凸判别型典型相关分析 | 第25-35页 |
| 3.1 研究意义和背景 | 第25-26页 |
| 3.2 凸判别相关分析 | 第26-30页 |
| 3.2.1 原理和动机 | 第26-27页 |
| 3.2.2 模型建立 | 第27-29页 |
| 3.2.3 优化求解 | 第29-30页 |
| 3.3 实验及结果分析 | 第30-34页 |
| 3.3.1 人工数据集上实验 | 第30-32页 |
| 3.3.2 真实数据集上实验 | 第32-34页 |
| 3.3.3 实验结果分析 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于结构化稀疏的多视图投影学习的框架工作 | 第35-46页 |
| 4.1 引言 | 第35-37页 |
| 4.2 相关背景研究 | 第37-39页 |
| 4.2.1 多视图降维算法 | 第37-38页 |
| 4.2.2 Stiefel流形相关介绍 | 第38页 |
| 4.2.3 结构化稀疏 | 第38-39页 |
| 4.3 多重结构化稀疏投影框架工作(MSSP) | 第39-42页 |
| 4.3.1 符号和相关定义 | 第39-40页 |
| 4.3.2 MSSP模型建立 | 第40页 |
| 4.3.3 超参数分析 | 第40-41页 |
| 4.3.4 MSSP模型优化求解 | 第41-42页 |
| 4.4 实验结果与分析 | 第42-44页 |
| 4.4.1 实验设置 | 第42-43页 |
| 4.4.2 对比结果及分析实验设置 | 第43页 |
| 4.4.3 参数分析实验设置 | 第43-44页 |
| 4.5 本章总结 | 第44-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 工作总结 | 第46-47页 |
| 5.2 未来展望 | 第47-48页 |
| 参考文献 | 第48-55页 |
| 致谢 | 第55-57页 |
| 在学期间的研究成果及发表的学术论文 | 第57页 |
