| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 主要符号对照表 | 第12-13页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 底层视觉与计算机视觉方法的关联 | 第14-20页 |
| 1.2.1 主要实验手段 | 第14-15页 |
| 1.2.2 简单细胞和复杂细胞模型 | 第15-17页 |
| 1.2.3 协作学习和竞争学习 | 第17-20页 |
| 1.3 视觉信号的表示与概率产生式建模 | 第20-25页 |
| 1.3.1 马尔可夫随机场 | 第22页 |
| 1.3.2 概率稀疏编码 | 第22页 |
| 1.3.3 高斯混合模型 | 第22-23页 |
| 1.3.4 隐马尔可夫模型 | 第23页 |
| 1.3.5 概率潜语义索引 | 第23-24页 |
| 1.3.6 潜在狄特里克分配 | 第24页 |
| 1.3.7 多因素矢量量化 | 第24-25页 |
| 1.4 概率产生式模型和判别式模型 | 第25-26页 |
| 1.5 视觉信号理解与识别中的应用 | 第26页 |
| 1.6 论文结构 | 第26-27页 |
| 第二章 视觉神经通过功能连接编码先验信息 | 第27-51页 |
| 2.1 研究背景 | 第27-29页 |
| 2.2 实验方法 | 第29-32页 |
| 2.2.1 神经生理学测量 | 第29页 |
| 2.2.2 互相关直方图度量 | 第29-30页 |
| 2.2.3 模拟神经元和神经元集群 | 第30-31页 |
| 2.2.4 Ising模型的建模与求解 | 第31-32页 |
| 2.3 主要结果 | 第32-48页 |
| 2.3.1 三维自然场景的双目视差信号统计 | 第32-36页 |
| 2.3.2 神经元间的功能连接与自然场景统计一致 | 第36-39页 |
| 2.3.3 视差神经的两两功能连接中的中心偏好 | 第39-42页 |
| 2.3.4 大网络中的功能连接 | 第42-45页 |
| 2.3.5 功能连接中的中心偏好无法由方向联接网络预测 | 第45-48页 |
| 2.4 讨论 | 第48-51页 |
| 第三章 后验散度特征映射 | 第51-83页 |
| 3.1 基于产生式模型的特征提取 | 第51-54页 |
| 3.1.1 从视觉神经子网络到概率产生式模型 | 第51-52页 |
| 3.1.2 从神经子网络编码到基于概率产生式模型的提取特征 | 第52-53页 |
| 3.1.3 产生式模型的推断方法与特征映射方法的推导 | 第53-54页 |
| 3.1.4 推断算法与产生式特征的计算 | 第54页 |
| 3.2 后验散度特征映射 | 第54-59页 |
| 3.2.1 增量EM算法中隐含的对数似然函数 | 第55页 |
| 3.2.2 后验散度的推导 | 第55-58页 |
| 3.2.3 指数族概率产生式模型的后验散度 | 第58页 |
| 3.2.4 与Fisher分数空间和自由能分数空间的关联 | 第58-59页 |
| 3.3 后验散度的识别错误率分析 | 第59-61页 |
| 3.4 后验散度的推导实例 | 第61-68页 |
| 3.4.1 二阶Ising模型 | 第61页 |
| 3.4.2 二阶隐马尔可夫随机场 | 第61-63页 |
| 3.4.3 概率稀疏编码 | 第63-64页 |
| 3.4.4 高斯混合模型 | 第64-66页 |
| 3.4.5 隐马尔可夫模型 | 第66页 |
| 3.4.6 概率潜在语义分析 | 第66-67页 |
| 3.4.7 多因素矢量量化 | 第67-68页 |
| 3.5 后验散度算法和版本 | 第68-71页 |
| 3.5.1 控制特征空间的维数 | 第68页 |
| 3.5.2 常规算法与加速算法 | 第68-70页 |
| 3.5.3 实际应用中的版本 | 第70-71页 |
| 3.6 数值实验 | 第71-81页 |
| 3.6.1 隐马尔可夫模型 | 第71-77页 |
| 3.6.2 概率潜在语义分析 | 第77-79页 |
| 3.6.3 多因素矢量量化 | 第79-81页 |
| 3.7 总结与计算复杂度分析 | 第81-83页 |
| 第四章 充分统计量特征映射 | 第83-111页 |
| 4.1 绪论 | 第83-85页 |
| 4.2 产生式特征映射 | 第85-87页 |
| 4.2.1 基于产生式模型参数的特征映射 | 第86-87页 |
| 4.2.2 基于随机变量的产生式特征映射 | 第87页 |
| 4.3 充分统计量特征映射 | 第87-89页 |
| 4.3.1 指数族产生式模型的变分推断 | 第87-88页 |
| 4.3.2 充分统计量特征映射的推导 | 第88-89页 |
| 4.4 充分统计量特征映射的识别错误率分析 | 第89-92页 |
| 4.5 充分统计量特征映射的推导实例 | 第92-95页 |
| 4.5.1 二阶Ising模型 | 第92页 |
| 4.5.2 二阶隐马尔可夫随机场 | 第92页 |
| 4.5.3 概率稀疏编码 | 第92-93页 |
| 4.5.4 高斯混合模型 | 第93页 |
| 4.5.5 隐马尔可夫模型 | 第93-94页 |
| 4.5.6 概率潜在语义分析 | 第94页 |
| 4.5.7 潜在狄特里克分配 | 第94-95页 |
| 4.6 充分统计量特征映射的判别式学习 | 第95-101页 |
| 4.6.1 判别式学习框架 | 第95-96页 |
| 4.6.2 隐变量推断与模型参数学习 | 第96-99页 |
| 4.6.3 分类器与讨论 | 第99-101页 |
| 4.7 数值实验 | 第101-108页 |
| 4.7.1 基于隐马尔可夫模型的序列分类 | 第102-103页 |
| 4.7.2 基于马尔可夫随机场的图像识别 | 第103-104页 |
| 4.7.3 基于潜在狄特里克分配的场景识别 | 第104-105页 |
| 4.7.4 基于高斯混合模型的通用分类算法 | 第105-107页 |
| 4.7.5 识别准确率随训练样本数或隐变量数的变化 | 第107-108页 |
| 4.8 总结与计算复杂度分析 | 第108-111页 |
| 第五章 产生式特征映射的识别错误率分析 | 第111-129页 |
| 5.1 绪论 | 第111-112页 |
| 5.2 确定式特征映射的泛化错误率上界 | 第112-114页 |
| 5.3 基于随机征映射的随机分类器及其泛化错误率上界 | 第114-119页 |
| 5.3.1 线性分类器及其设定 | 第116-117页 |
| 5.3.2 特征映射与分类器联合泛化错误率上界 | 第117-119页 |
| 5.4 随机充分统计量特征映射的联合学习 | 第119-121页 |
| 5.4.1 推断与参数估计 | 第120-121页 |
| 5.5 数值实验 | 第121-127页 |
| 5.5.1 基于潜在狄特里克分配的场景识别 | 第121-122页 |
| 5.5.2 基于隐马尔可夫模型的序列识别 | 第122-124页 |
| 5.5.3 根据高斯混合模型导出通用分类算法 | 第124-127页 |
| 5.6 总结与计算复杂度分析 | 第127-129页 |
| 第六章 总结与展望 | 第129-131页 |
| 6.1 全文工作总结 | 第129-130页 |
| 6.2 研究展望 | 第130-131页 |
| 参考文献 | 第131-145页 |
| 致谢 | 第145-147页 |
| 攻读学位期间发表的学术论文目录 | 第147-151页 |
| 攻读学位期间参与的项目 | 第151-153页 |
