亚洲国产一区二区三区最新,av天堂综合一区二区,日本久久久久中文视频字幕

內容簡介

　　結構化表征學習是機器學習研究的核心問題之一，旨在探索如何從高維可觀測數據中獲取有效的結構化信息表示，以實現高精度、魯棒、快速的數據分析，是由數據到知識的關鍵渠道。本書重點介紹如何從具有不確定性的海量大媒體數據中挖掘和提取結構化、魯棒、高效的特征，并實現高性能的信息挖掘和知識推斷。本書內容包含近年來涌現的一些高效、魯棒的結構化表征學習模型，介紹了基于魯棒且緊湊的表征學習的一體化表征學習理論和方法，并為應對真實世界中的數據分析任務，如數據簡約特征表達、緊湊特征壓縮、有效特征篩選以及隱含知識挖掘等，提供了較為全面且切實可靠的解決方案。本書作者所在的團隊多年來一直從事機器學習、計算機視覺、多媒體分析的研究，承擔過眾多***和省部級科研項目，具備從理論研究到工程應用的相關基礎。本書是對作者近五年研究成果的總結和梳理，書中介紹的理論和方法能夠很好地和實際應用結合在一起，行文流暢易讀，適合具有一定專業(yè)基礎的高年級本科生、研究生，以及相關領域的科研工作者和工程師閱讀。

作者簡介

　　張正，哈爾濱工業(yè)大學（深圳）副教授、博士生導師，深圳市視覺目標檢測與判識重點實驗室副主任，IEEE會員，深圳市海外高層次人才。研究方向為機器學習、計算機視覺和多媒體分析，已發(fā)表學術論文100 多篇。博士論文入選中國電子學會優(yōu)秀博士學位論文。擔任多個期刊編委和會議領域主席及高級程序委員會委員。徐勇，哈爾濱工業(yè)大學（深圳）教授、博士生導師，長江學者特聘教授。研究方向為模式識別、生物特征識別、圖像處理、深度學習、生物信息學。發(fā)表JCR 一區(qū)論文100 余篇，近5年連續(xù)入選Elsevier中國高被引學者，并入選“廣東省特支計劃”“鵬城學者計劃”“新世紀優(yōu)秀人才支持計劃”等人才計劃。盧光明，哈爾濱工業(yè)大學（深圳）教授、博士生導師、計算機學院副院長，深圳市高層次人才。研究方向為機器學習、計算機視覺、醫(yī)學圖像信號處理，曾獲黑龍江省自然科學一等獎等獎項，獲發(fā)明專利授權近20 項，出版國際學術專著2 部，發(fā)表學術論文100 余篇。

圖書目錄

第 1 章緒論 1
1．1 表征學習的概念 1
1．2 結構化表征學習基礎 2
1．2．1 結構化表征學習的基礎理論和方法 2
1．2．2 結構化表征學習的應用 7
參考文獻 8
第 2 章塊對角低秩表征學習 11
2．1 低秩表征學習方法 12
2．2 塊對角低秩表征學習的方法設計 13
2．3 塊對角低秩表征學習的優(yōu)化算法 15
2．4 識別算法的設計 18
2．5 塊對角低秩表征學習的算法分析 19
2．5．1 收斂性分析 19
2．5．2 計算時間復雜度 20
2．5．3 新樣本預測檢驗 20
2．6 與現有低秩表征學習方法的關系 22
2．6．1 與非負低秩表征稀疏方法的關系 22
2．6．2 與結構化稀疏低秩表征方法的關系 23
2．6．3 與監(jiān)督正則化魯棒子空間方法的關系 24
2．7 實驗驗證 24
2．7．1 實驗設置 24
2．7．2 在人臉識別任務中的實驗結果 25
2．7．3 在字符識別任務中的實驗結果 28
2．7．4 在場景識別任務中的實驗結果 30
2．7．5 優(yōu)勢分析 30
2．7．6 算法收斂性實驗驗證 32
2．7．7 算法參數敏感性經驗分析 32
2．8 本章小結 33
參考文獻 34
第3 章判別性彈性網正則化回歸表征學習 38
3．1 最小二乘回歸方法 39
3．2 基于彈性網正則化的回歸表征學習模型 40
3．2．1 一種普適的彈性網正則化回歸表征學習框架 40
3．2．2 判別性彈性網正則化回歸表征學習模型 42
3．2．3 判別性彈性網正則化回歸表征學習的快速模型 43
3．3 模型優(yōu)化求解和算法分類模型 44
3．3．1 模型的優(yōu)化求解 44
3．3．2 判別性回歸表征空間的構造和算法分類模型 47
3．4 算法分析 48
3．4．1 與經典回歸模型的關系 48
3．4．2 時間復雜度和收斂性分析 48
3．5 實驗驗證 50
3．5．1 對比方法與實驗設置 50
3．5．2 在人臉識別任務中的實驗結果 51
3．5．3 在物體識別任務中的實驗結果 55
3．5．4 在場景識別任務中的實驗結果 55
3．5．5 與傳統(tǒng)的回歸表征學習模型進行對比分析 56
3．5．6 優(yōu)化算法的收斂條件和參數敏感性經驗分析 57
3．5．7 算法效率分析 59
3．6 本章小結 60
參考文獻 61
第4 章邊緣結構化表征學習 64
4．1 判別性最小二乘回歸方法 65
4．2 邊緣結構化表征學習模型 66
4．2．1 損失函數 66
4．2．2 算法復雜度正則項 67
4．2．3 自適應流形結構學習 68
4．3 邊緣結構化表征學習算法的優(yōu)化策略 70
4．3．1 求解優(yōu)化變量W、A 和B 70
4．3．2 求解優(yōu)化變量R 71
4．3．3 求解優(yōu)化變量P 72
4．4 半監(jiān)督學習模型的擴展 74
4．5 邊緣結構化表征學習的算法分析 74
4．5．1 優(yōu)化算法收斂性的理論分析 74
4．5．2 計算復雜度 75
4．6 實驗驗證 75
4．6．1 實驗設置 76
4．6．2 在物體識別任務中的實驗結果 77
4．6．3 在人臉識別任務中的實驗結果 79
4．6．4 在紋理識別任務中的實驗結果 81
4．6．5 在場景識別任務中的實驗結果 82
4．6．6 識別性能對比分析 83
4．6．7 算法參數敏感性經驗分析 85
4．6．8 算法收斂性實驗驗證 87
4．6．9 效率對比分析 88
4．7 本章小結 89
參考文獻 89
第5 章基于聯(lián)合學習的二值多視圖表征學習 93
5．1 二值多視圖表征學習框架 95
5．1．1 二值多視圖聚類模型 95
5．1．2 高效的可擴展多視圖圖像聚類分析模型 96
5．2 高效的可擴展多視圖圖像聚類算法 99
5．3 高效的可擴展多視圖圖像聚類算法分析 102
5．3．1 收斂性分析 102
5．3．2 復雜度分析 103
5．4 實驗驗證 103
5．4．1 數據集和評估標準 103
5．4．2 中等規(guī)模多視圖數據實驗驗證 104
5．4．3 大規(guī)模多視圖數據實驗驗證 107
5．4．4 經驗性分析 108
5．4．5 可視化分析 113
5．5 本章小結 115
參考文獻 116
第6 章基于靈活局部結構擴散的廣義不完整多視圖聚類 120
6．1 多視圖聚類方法 122
6．1．1 部分多視圖聚類 122
6．1．2 多個不完整視圖聚類 123
6．2 基于靈活局部結構擴散的廣義不完整多視圖聚類模型 123
6．2．1 單視圖個體表征學習 124
6．2．2 多視圖一致性表征學習 125
6．2．3 自適應加權多視圖學習 126
6．2．4 GIMC_FLSD 的總體目標函數 126
6．3 GIMC_FLSD 的優(yōu)化算法 127
6．4 GIMC_FLSD 的理論分析 129
6．4．1 計算復雜度 129
6．4．2 收斂性分析 130
6．4．3 與其他方法的聯(lián)系 130
6．5 實驗驗證 131
6．5．1 實驗配置 131
6．5．2 實驗結果和分析 133
6．5．3 時間復雜度分析 137
6．5．4 參數靈敏度分析 139
6．5．5 收斂性分析 142
6．6 本章小結 143
參考文獻 143
第7 章可擴展的監(jiān)督非對稱哈希學習 148
7．1 哈希學習方法 149
7．2 可擴展的監(jiān)督非對稱哈希學習模型 151
7．2．1 問題定義 151
7．2．2 方法解析 152
7．3 可擴展的監(jiān)督非對稱哈希表征學習的優(yōu)化算法 154
7．3．1 交替優(yōu)化方法 154
7．3．2 收斂性分析 158
7．3．3 算法的樣本外擴展問題 158
7．4 實驗驗證 159
7．4．1 實驗數據 159
7．4．2 實驗設置 160
7．4．3 在CIFAR-10 圖像檢索數據集上的實驗結果 161
7．4．4 在Caltech-256 目標檢索數據集上的實驗結果 165
7．4．5 在SUN-397 場景檢索數據集上的實驗結果 167
7．4．6 在ImageNet 大規(guī)模數據集上的實驗結果 169
7．4．7 在NUS-WIDE 多實例數據集上的實驗結果 171
7．4．8 實驗分析和討論 173
7．5 本章小結 175
參考文獻 175
第8 章深度語義協(xié)同哈希學習 181
8．1 哈希學習方法 182
8．2 深度語義協(xié)同哈希學習模型 184
8．2．1 問題定義 184
8．2．2 特征嵌入網絡 185
8．2．3 類別編碼網絡 186
8．2．4 構建語義不變結構 186
8．2．5 協(xié)同學習 187
8．3 深度語義協(xié)同哈希學習的優(yōu)化算法設計 187
8．3．1 訓練策略分析 187
8．3．2 樣本擴展問題 188
8．4 實驗驗證 188
8．4．1 實驗設置 189
8．4．2 評估標準 189
8．4．3 在NUS-WIDE 數據集上的實驗結果 189
8．4．4 在MIRFlickr 數據集上的實驗結果 193
8．4．5 在CIFAR-10 數據集上的實驗結果 196
8．4．6 子模塊分析 198
8．4．7 參數敏感性分析和可視化結果 199
8．5 本章小結 200
參考文獻 201
第9 章判別性費希爾嵌入字典學習 205
9．1 相關工作 207
9．1．1 符號定義 207
9．1．2 畫像定義 207
9．1．3 FDDL 算法 208
9．2 判別性費希爾嵌入字典學習算法 209
9．2．1 判別性費希爾原子嵌入模型 209
9．2．2 判別性費希爾系數嵌入模型 210
9．2．3 DFEDL 算法的目標函數 211
9．3 判別性費希爾嵌入字典學習的優(yōu)化算法 211
9．4 算法對比與分析 213
9．4．1 DFEDL 算法與FDDL 算法的關系 214
9．4．2 時間復雜度分析 215
9．4．3 收斂性分析 215
9．5 實驗驗證 216
9．5．1 實驗配置 216
9．5．2 數據集描述 217
9．5．3 在深度特征數據集上的實驗結果 218
9．5．4 在手工數據集上的實驗結果 219
9．5．5 實驗結果分析 221
9．5．6 參數敏感性分析 222
9．5．7 實驗收斂性分析 223
9．5．8 不同原子數的影響 223
9．5．9 與深度學習模型的對比 224
9．6 本章小結 226
參考文獻 227
附錄 234
附錄A 引理9-1 及其證明過程 234
附錄B 引理9-2 及其證明過程 236
附錄C 定理9-1 及其證明過程 237