声明
摘要
第一章 绪论
1.1 本文研究的目的及意义
1.2 监督学习
1.3 非监督学习
1.4 半监督学习
1.5 本文主要研究内容
第二章 图像特征提取的一般方法
2.1 图像特征提取概述
2.2 浅层学习算法
2.2.1 主成分分析方法(PCA)
2.2.2 线性判别分析(LDA)
2.2.3 基于核的主成分分析方法(KPCA)
2.3 深度学习算法
2.3.1 深度学习的概念
2.3.2 受限玻尔兹曼机(RBM)
2.3.3 深度信念网络
2.4 分类器
2.4.1 Softmax
2.4.2 支持向量机(SVM)
2.4.3 K最邻近规则分类(KNN)
2.5 本章小结
第三章 基于深度自动编码器的特征提取方法
3.1 深度自动编码器
3.1.1 自动编码器
3.1.2 深度自动编码器的结构与训练
3.2 自动编码器的改进
3.2.1 稀疏自动编码器
3.2.2 降噪自动编码器
3.3 深度自动编码器的特征形成研究
3.4 实验与结果分析
3.4.1 CIFAR-10噪声图像识别实验
3.4.2 结合不同分类器的深度自动编码器实验
3.5 本章小结
第四章 基于深度自动编码器的边际Fisher分析图像识别算法
4.1 边际Fisher分析
4.2 基于深度自动编码器的边际Fisher分析
4.3 手写数字识别实验
4.4 CIFAR-10图像识别实验
4.5 本章小结
第五章 结论和展望
参考文献
致谢
附录
长沙理工大学;