图像分类中流形回归与非负矩阵分解研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第19-32页 |
| 1.1 课题背景 | 第19页 |
| 1.2 研究目的和意义 | 第19-20页 |
| 1.3 特征抽取方法概述 | 第20-26页 |
| 1.3.1 线性特征抽取方法 | 第20-24页 |
| 1.3.2 非线性特征抽取方法 | 第24-26页 |
| 1.4 实验数据集 | 第26-29页 |
| 1.5 本文的主要研究内容 | 第29-31页 |
| 1.6 本文结构安排 | 第31-32页 |
| 第2章 流形鉴别回归学习方法 | 第32-55页 |
| 2.1 引言 | 第32-33页 |
| 2.2 相关工作简介 | 第33-35页 |
| 2.2.1 LSR及DLSR | 第33-34页 |
| 2.2.2 图嵌入 | 第34页 |
| 2.2.3 鲁棒主成分分析 | 第34-35页 |
| 2.3 流形鉴别回归学习 | 第35-40页 |
| 2.3.1 MDRL算法的创新 | 第35页 |
| 2.3.2 LSR框架 | 第35-36页 |
| 2.3.3 MDRL | 第36-37页 |
| 2.3.4 MDRL模型的求解 | 第37-40页 |
| 2.4 鲁棒流形鉴别回归学习 | 第40-43页 |
| 2.4.1 RMDRL的优化模型 | 第40-41页 |
| 2.4.2 RMDRL的变化形式 | 第41页 |
| 2.4.3 RMDRL算法的迭代步骤 | 第41-43页 |
| 2.5 关于MDRL的实验评估 | 第43-49页 |
| 2.5.1 实验标准及参数设置 | 第43-44页 |
| 2.5.2 实验对比 | 第44-48页 |
| 2.5.3 观察与讨论 | 第48-49页 |
| 2.6 关于鲁棒性的实验评估 | 第49-54页 |
| 2.6.1 实验中用到的数据库 | 第49页 |
| 2.6.2 对比算法及参数设置 | 第49页 |
| 2.6.3 在人造腐蚀数据上的分类精度 | 第49-54页 |
| 2.7 本章小结 | 第54-55页 |
| 第3章 非负鉴别矩阵分解方法 | 第55-77页 |
| 3.1 引言 | 第55-56页 |
| 3.2 非负矩阵分解及其相关工作回顾 | 第56-58页 |
| 3.2.1 非负矩阵分解 | 第56-57页 |
| 3.2.2 局部非负矩阵分解 | 第57页 |
| 3.2.3 鉴别非负矩阵分解 | 第57-58页 |
| 3.2.4 最大间距准则 | 第58页 |
| 3.3 非负鉴别矩阵分解 | 第58-64页 |
| 3.3.1 NDMF工作的创新 | 第58-59页 |
| 3.3.2 目标函数 | 第59-60页 |
| 3.3.3 NDMF算法的迭代步骤 | 第60-61页 |
| 3.3.4 收敛性证明 | 第61-63页 |
| 3.3.5 与梯度方法的联系 | 第63-64页 |
| 3.4 在KL散席下的算法最小化 | 第64-68页 |
| 3.4.1 目标函数及迭代准则 | 第64-65页 |
| 3.4.2 收敛性证明 | 第65-67页 |
| 3.4.3 与梯度方法的联系 | 第67-68页 |
| 3.5 实验结果 | 第68-75页 |
| 3.5.1 参数选择 | 第68-69页 |
| 3.5.2 YALE数据库 | 第69-70页 |
| 3.5.3 ORL数据库 | 第70-71页 |
| 3.5.4 FERET数据库 | 第71-72页 |
| 3.5.5 CMU PIE数据库 | 第72-74页 |
| 3.5.6 LFW数据库 | 第74-75页 |
| 3.5.7 实验观察及讨论 | 第75页 |
| 3.5.8 收敛性研究 | 第75页 |
| 3.6 本章小结 | 第75-77页 |
| 第4章 投影鲁棒非负分解方法 | 第77-99页 |
| 4.1 引言 | 第77-78页 |
| 4.2 投影鲁棒非负分解方法 | 第78-81页 |
| 4.2.1 PRNF方法的创新 | 第78-79页 |
| 4.2.2 鲁棒非负矩阵分解模型 | 第79-80页 |
| 4.2.3 投影鲁棒非负分解模型 | 第80-81页 |
| 4.3 带有l_(1/2)范数的投影鲁棒非负分解 | 第81-84页 |
| 4.3.1 目标函数与迭代步骤 | 第81-82页 |
| 4.3.2 收敛性分析 | 第82-84页 |
| 4.4 带有l_1范数的投影鲁棒非负分解 | 第84-85页 |
| 4.4.1 目标函数与迭代步骤 | 第84-85页 |
| 4.4.2 收敛性分析 | 第85页 |
| 4.5 带有l_(2,1)范数的投影鲁棒非负分解 | 第85-88页 |
| 4.5.1 目标函数与迭代步骤 | 第85-87页 |
| 4.5.2 收敛性分析 | 第87-88页 |
| 4.6 实验结果 | 第88-98页 |
| 4.6.1 实验中的数据库 | 第88-89页 |
| 4.6.2 实验标准及设置 | 第89页 |
| 4.6.3 带有噪声的人脸识别 | 第89-91页 |
| 4.6.4 带有任意像素腐蚀的人脸识别 | 第91-93页 |
| 4.6.5 带有异常值的人脸识别 | 第93-95页 |
| 4.6.6 带有遮挡的人脸识别 | 第95-96页 |
| 4.6.7 收敛性学习 | 第96-97页 |
| 4.6.8 观察与讨论 | 第97-98页 |
| 4.7 本章小结 | 第98-99页 |
| 第5章 核线性回归方法 | 第99-111页 |
| 5.1 引言 | 第99-101页 |
| 5.2 相关工作介绍 | 第101-102页 |
| 5.2.1 线性回归分类 | 第101页 |
| 5.2.2 核方法 | 第101-102页 |
| 5.3 核线性回归分类 | 第102-104页 |
| 5.3.1 用于人脸识别的核线性回归 | 第102-103页 |
| 5.3.2 KLRC算法的分析 | 第103-104页 |
| 5.4 数值实验 | 第104-109页 |
| 5.4.1 在GT数据库上的实验对比 | 第105页 |
| 5.4.2 在FERET数据库上的实验对比 | 第105-106页 |
| 5.4.3 在AR数据库上的实验对比 | 第106-109页 |
| 5.5 本章小结 | 第109-111页 |
| 第6章 低秩保持投影算法 | 第111-131页 |
| 6.1 引言 | 第111-112页 |
| 6.2 相关工作介绍 | 第112-115页 |
| 6.2.1 局部保持投影（LPP） | 第112-113页 |
| 6.2.2 最近邻保持嵌入（NPE） | 第113页 |
| 6.2.3 稀疏保持投影（SPP） | 第113-114页 |
| 6.2.4 低秩表达（LRR） | 第114页 |
| 6.2.5 鲁棒主成分分析（RPCA） | 第114-115页 |
| 6.3 低秩保持投影（LRPP） | 第115-121页 |
| 6.3.1 LRPP算法的创新 | 第115-116页 |
| 6.3.2 LRPP的目标函数 | 第116-117页 |
| 6.3.3 LRPP模型的优化 | 第117页 |
| 6.3.4 关于变量W的迭代步骤 | 第117-118页 |
| 6.3.5 关于变量J的迭代步骤 | 第118-119页 |
| 6.3.6 关于变量E的迭代步骤 | 第119页 |
| 6.3.7 关于变量p的迭代步骤 | 第119-121页 |
| 6.4 分析与对比 | 第121-122页 |
| 6.4.1 收敛性分析 | 第121页 |
| 6.4.2 与其他相关工作的对比 | 第121-122页 |
| 6.5 实验分析 | 第122-130页 |
| 6.5.1 实验数据库介绍 | 第122页 |
| 6.5.2 实验设置 | 第122-124页 |
| 6.5.3 关于随机像素腐蚀的测试 | 第124-125页 |
| 6.5.4 关于不同遮挡程度的测试 | 第125-128页 |
| 6.5.5 关于墨镜遮挡的测试 | 第128-129页 |
| 6.5.6 关于围巾遮挡的测试 | 第129-130页 |
| 6.5.7 实验结果分析 | 第130页 |
| 6.6 小结 | 第130-131页 |
| 结论 | 第131-134页 |
| 参考文献 | 第134-148页 |
| 攻读博士学位期间发表的论文及其它成果 | 第148-150页 |
| 致谢 | 第150-151页 |
| 个人简历 | 第151页 |
