第一个书签之前
摘要
Abstract
目 录
Contents
第 1 章 绪论
1.1 研究背景和意义
1.2 数据表征学习的研究现状
1.2.1 基于稀疏性约束的表示学习方法
1.2.2 基于低秩性约束的表示学习方法
1.2.3 基于流形学习的数据表征学习
1.2.4 基于深度学习的数据表征学习
1.3 本文使用的实验数据集
1.4 本文主要研究内容
1.5 本文结构安排
第 2 章 基于结构对称性的鲁棒人脸图像表征学习
2.1 引言
2.2 相关工作介绍
2.3 近似对称人脸表征学习方法
2.4 近似对称人脸图像算法合理性分析
2.4.1 人脸图像对称性的对比分析
2.4.2 和其它人脸图像预处理方法对比分析
2.5 图像预处理算法的实验评估
2.5.1 数据集和实验配置
2.5.2 实验结果和实验分析
2.6 虚拟字典算法的实验评估
2.6.1 实验配置细节
2.6.2 RSRL在CMU PIE数据集上的实验结果
2.6.3 RSRL在FERET数据集上的实验结果
2.6.4 RSRL在GT数据集上的实验结果
2.6.5 RSRL在ORL数据集上的实验结果
2.6.6 RSRL在 Yale 和 Extended YaleB 人脸数据集上的实验结果
2.6.7 算法局限性和算法讨论
2.7 本章小结
第 3 章 基于判别块对角结构约束的低秩表示学习
3.1 引言
3.2 相关工作介绍
3.3 块对角低秩表示学习方法的设计
3.4 BDLRR模型的优化算法
3.5 BDLRR的识别算法
3.6 算法分析
3.6.1 优化算法收敛性分析
3.6.2 计算时间复杂度
3.6.3 新样本预测检验
3.7 BDLRR模型与相关算法的关系
3.7.1 与非负低秩表示稀疏学习算法的关系
3.7.2 与结构化稀疏低秩表示学习算法的关系
3.7.3 与监督鲁棒子空间学习算法的关系
3.8 实验结果
3.8.1 实验设置
3.8.2 BDLRR在人脸识别问题上的实验评估
3.8.3 BDLRR在字符识别问题上的实验评估
3.8.4 BDLRR在场景识别问题上的实验评估
3.8.5 实验结果分析
3.8.6 算法收敛性的实验验证
3.8.7 算法参数敏感性经验分析
3.9 本章小结
第 4 章 基于弹性网正则化的判别回归表征学习
4.1 引言
4.2 相关工作介绍
4.3 基于弹性网正则化的回归表征学习模型
4.3.1 一种普适的弹性网正则化回归表征学习框架
4.3.2 判别性弹性网正则化回归表征学习模型
4.3.3 快速的ENRRL表征学习模型
4.4 DENRRL模型优化求解和算法分类模型
4.4.1 DENRRL模型求解
4.4.2 判别回归表征空间和算法分类模型
4.5 算法分析
4.5.1 DENRRL方法和传统回归模型的关系
4.5.2 计算复杂度和收敛性分析
4.6 实验结果
4.6.1 对比方法与实验设置
4.6.2 DENRRL在人脸识别问题上的实验评估
4.6.3 DENRRL在物体识别问题上的实验评估
4.6.4 DENRRL在场景识别问题上的实验评估
4.6.5 实验结果分析
4.6.6 优化算法的收敛条件和参数敏感性经验分析
4.6.7 算法计算速度对比结果
4.7 本章小结
第 5 章 基于自适应图约束的结构化视觉表征学习
5.1 引言
5.2 相关工作介绍
5.3 结构化视觉表征学习模型
5.3.1 损失函数
5.3.2 算法复杂度正则项
5.3.3 自适应流形结构学习
5.4 MSRL模型的优化算法
5.4.1 求解优化变量 W、A 和 B
5.4.2 求解优化变量 R
5.4.3 求解优化变量 P
5.5 MSRL的半监督模型扩展
5.6 算法分析
5.6.1 优化算法收敛性的理论分析
5.6.2 计算时间复杂度
5.7 实验结果
5.7.1 实验设置
5.7.2 MSRL和SMSRL在物体识别问题上的实验评估
5.7.3 MSRL和SMSRL在人脸识别问题上的实验评估
5.7.4 MSRL和SMSRL在纹理识别问题上的实验评估
5.7.5 MSRL和SMSRL在场景识别问题上的实验评估
5.7.6 实验结果分析
5.7.7 算法参数敏感性经验分析
5.7.8 算法收敛性的实验验证
5.7.9 不同图像识别算法计算时间对比
5.8 本章小结
结 论
参考文献
攻读博士学位期间发表的论文及其他成果
致 谢
个人简历
哈尔滨工业大学;
