摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第一章 绪论 | 第13-25页 |
1.1 研究背景 | 第13-15页 |
1.1.1 图像识别技术 | 第13-14页 |
1.1.2 图像识别中的特征提取 | 第14-15页 |
1.2 稀疏模型 | 第15-21页 |
1.2.1 稀疏模型的神经生理学背景 | 第15-19页 |
1.2.2 图像识别中的稀疏模型 | 第19-20页 |
1.2.3 稀疏模型研究现状 | 第20-21页 |
1.3 本文的研究内容与成果 | 第21-22页 |
1.4 本论文的内容组织与结构安排 | 第22-25页 |
第二章 稀疏模型概述 | 第25-45页 |
2.1 引言 | 第25页 |
2.2 压缩感知 | 第25-32页 |
2.2.1 压缩感知原理介绍 | 第25-27页 |
2.2.2 稀疏表示重构理论依据 | 第27-31页 |
2.2.3 单像素相机 | 第31-32页 |
2.3 稀疏模型 | 第32-43页 |
2.3.1 稀疏模型的基本问题 | 第32-33页 |
2.3.2 稀疏编码 | 第33-36页 |
2.3.3 字典学习 | 第36-40页 |
2.3.4 基于稀疏表示的人脸识别 | 第40-43页 |
2.4 本章小结 | 第43-45页 |
第三章 基于块稀疏和判别性假设的字典学习算法 | 第45-61页 |
3.1 引言 | 第45-46页 |
3.2 相关工作 | 第46-53页 |
3.2.1 结构化稀疏表示 | 第46-50页 |
3.2.2 判别性字典学习 | 第50-53页 |
3.3 块稀疏判别字典学习 | 第53-56页 |
3.4 实验分析 | 第56-59页 |
3.4.1 Extended Yale B人脸识别实验 | 第57-58页 |
3.4.2 Extended Yale B人脸鲁棒性实验 | 第58-59页 |
3.5 本章小结 | 第59-61页 |
第四章 基于低秩约束的稀疏模型 | 第61-81页 |
4.1 引言 | 第61-62页 |
4.2 相关工作 | 第62-70页 |
4.2.1 低秩模型概述 | 第62-66页 |
4.2.2 低秩模型的应用 | 第66-67页 |
4.2.3 稀疏约束和低秩约束的关系 | 第67-68页 |
4.2.4 基于结构化低秩表示的图像识别 | 第68-70页 |
4.3 块约束低秩字典学习 | 第70-73页 |
4.4 低秩局部稀疏编码算法 | 第73-76页 |
4.5 实验分析 | 第76-80页 |
4.5.1 Extended Yale B人脸识别实验 | 第77-79页 |
4.5.2 Caltech 101物体识别实验 | 第79-80页 |
4.5.3 Caltech 256物体识别实验 | 第80页 |
4.6 本章小结 | 第80-81页 |
第五章 稀疏表示降维算法 | 第81-97页 |
5.1 引言 | 第81页 |
5.2 降维理论简介 | 第81-86页 |
5.2.1 线性降维 | 第82页 |
5.2.2 非线性降维 | 第82-86页 |
5.3 相关工作 | 第86-88页 |
5.4 基于图的块稀疏降维 | 第88-92页 |
5.4.1 块稀疏表示距离 | 第88-90页 |
5.4.2 基于图的块稀疏降维 | 第90-92页 |
5.5 实验分析 | 第92-95页 |
5.5.1 人工模拟数据集 | 第92-94页 |
5.5.2 Extended Yale B人脸识别实验 | 第94-95页 |
5.6 本章小结 | 第95-97页 |
第六章 基于判别性块稀疏与低秩的图像识别 | 第97-107页 |
6.1 引言 | 第97页 |
6.2 相关工作 | 第97-100页 |
6.3 基于图的块稀疏线性降维算法 | 第100-101页 |
6.4 基于判别性块稀疏与低秩的图像识别 | 第101-102页 |
6.5 实验分析 | 第102-105页 |
6.5.1 Extended Yale B人脸识别实验 | 第102-103页 |
6.5.2 Caltech 101物体识别实验 | 第103-104页 |
6.5.3 Caltech 256物体识别实验 | 第104-105页 |
6.6 本章小结 | 第105-107页 |
第七章 总结和展望 | 第107-111页 |
附录 缩略语表 | 第111-113页 |
参考文献 | 第113-121页 |
致谢 | 第121-123页 |
攻读学位期间发表的学术论文目录 | 第123页 |