| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景及研究的目的和意义 | 第9页 |
| 1.2 人脸识别技术 | 第9页 |
| 1.3 线性降维技术 | 第9-10页 |
| 1.4 度量学习模型 | 第10-11页 |
| 1.5 国内外研究现状 | 第11-12页 |
| 1.6 课题来源与本文的主要研究内容 | 第12-14页 |
| 1.6.1 课题来源 | 第12-13页 |
| 1.6.2 本文的主要研究内容 | 第13-14页 |
| 第2章 基于 GABOR 滤波器的快速近邻成分分析 | 第14-21页 |
| 2.1 引言 | 第14页 |
| 2.2 快速近邻成分分析 | 第14-15页 |
| 2.3 模型描述 | 第15-17页 |
| 2.3.1 主成分分析 | 第15-17页 |
| 2.3.2 Gabor 滤波器 | 第17页 |
| 2.4 实验与分析 | 第17-20页 |
| 2.4.1 实验设置 | 第17-18页 |
| 2.4.2 实验结果与分析 | 第18-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 包含空间平滑正则化项的快速近邻成分分析 | 第21-37页 |
| 3.1 引言 | 第21页 |
| 3.2 空间平滑正则化项 | 第21-23页 |
| 3.3 实验与分析 | 第23-36页 |
| 3.3.1 实验设置 | 第23-24页 |
| 3.3.2 实验结果与分析 | 第24-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于核分类器的度量学习 | 第37-52页 |
| 4.1 引言 | 第37页 |
| 4.2 基于核分类器的度量学习框架 | 第37-41页 |
| 4.2.1 构造二元组与三元组集合 | 第37-38页 |
| 4.2.2 二次多项式核函数 | 第38-39页 |
| 4.2.3 度量学习与核分类器的联系 | 第39-40页 |
| 4.2.4 使用核支持向量机进行度量学习 | 第40页 |
| 4.2.5 使用核逻辑回归进行度量学习 | 第40-41页 |
| 4.3 基于核分类器的度量学习框架与经典度量学习模型之间的联系 | 第41-44页 |
| 4.3.1 大间隔最近邻模型 | 第41-42页 |
| 4.3.2 信息理论度量学习 | 第42-43页 |
| 4.3.3 逻辑判别度量学习 | 第43-44页 |
| 4.4 基于二元组的支持向量机 | 第44-45页 |
| 4.5 基于三元组的支持向量机 | 第45-46页 |
| 4.6 模型讨论 | 第46-47页 |
| 4.7 实验与分析 | 第47-51页 |
| 4.7.1 实验设置 | 第47页 |
| 4.7.2 实验结果与分析 | 第47-51页 |
| 4.8 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第57-59页 |
| 致谢 | 第59页 |