声明
摘要
第1章 绪论
1.1 选题背景和意义
1.2 国内外相关研究现状
1.3 主要研究内容与创新点
第2章 图像稀疏表示和深度学习方法
2.1 压缩感知
2.1.1 基础框架
2.1.2 信号的稀疏表示
2.1.3 观测矩阵设计
2.2 稀疏表示
2.2.1 稀疏表示数学基础
2.2.2 稀疏表示与压缩感知的关系
2.3 深度学习
2.3.1 深度学习基础知识
2.4 本章小结
第3章 一种基于全局和局部特征融合的稀疏表示分类识别算法
3.1 引言
3.2 稀疏表示分解算法
3.2.1 全局优化算法
3.2.2 贪婪算法
3.3 一种基于Log-Gabor特征的稀疏表示分类算法
3.3.1 Gabor特征分析
3.3.2 Log-Gabor特征分析
3.3.4 Log-GSRC算法模型
3.4 实验
3.4.1 公共人脸数据集
3.4.2 交通标志数据集
3.4.3 实验结果
3.5 本章小结
第4章 一种基于字典学习的稀疏表示分类识别算法
4.1 引言
4.2 字典学习基础
4.2.1 字典学习数学基础
4.2.2 字典构造方法
4.3 字典学习训练算法
4.3.2 在线字典学习算法(Online Dictionary Learning,ODL)
4.3.3 K-SVD算法
4.4 基于K-SVD字典学习的稀疏表示分类识别算法
4.4.1 K-means均值算法
4.4.2 K-SVD算法
4.4.3 基于K-SVD字典学习的稀疏表示分类识别算法
4.5 实验
4.5.1 公共人脸数据集
4.5.2 交通标志样本集
4.5.3 实验结果
4.6 本章小结
第5章 一种基于深度学习特征的稀疏表示分类识别算法
5.1 引言
5.2 图像特征的表示方法
5.2.1 基于全局特征的图像表示方法
5.2.2 基于局部特征的图像表示方法
5.2.3 基于深度学习特征的图像表示方法
5.3 深度学习特征的数学模型
5.3.1 BP神经网络(Back Propagation Neural Networks)
5.3.2 卷积神经网络(Convolutional Neural Networks)
5.3.3 玻尔兹曼机(Boltzmann Machine)和受限玻尔兹曼机(Restricted Boltzmann Mechine)
5.3.4 自动编码器(AutoEncoder)
5.3.5 稀疏编码和稀疏自编码(Sparse Coding)
5.3.6 深度置信网络(Deep Belief Networks)
5.4 基于深度学习特征的稀疏表示分类识别算法
5.4.1 深度卷积神经网络
5.4.2 深度卷积神经网络特征提取模型
5.4.3 基于深度卷积神经网络特征的稀疏表示分类识别算法
5.5 实验
5.5.1 数据集
5.5.2 实验结果
5.6 本章小结
第6章 总结和展望
6.1 主要工作和创新点
6.2 下一步工作展望
参考文献
致谢
在读期间发表的学术论文与取得的其他研究成果