123,123

內(nèi)容簡(jiǎn)介

　　本書(shū) 提出了基于張量稀疏低秩分解的三維人臉表情識(shí)別理論框架。其中，張量建模思想與稀疏低秩張量分解技術(shù)，屬于三維人臉表情識(shí)別方法論上的一個(gè)新技術(shù)。另外，高效求解這一稀疏低秩張量?jī)?yōu)化模型，設(shè)計(jì)快速穩(wěn)健優(yōu)化算法，需要深入分析相應(yīng)的高階張量?jī)?yōu)化理論，其研究結(jié)果將豐富在三維人臉表情識(shí)別中的大規(guī)模優(yōu)化理論的研究?jī)?nèi)容與化理論。在本書(shū)中，我們共提出了基于張量分解理論的三維人臉表情識(shí)別的四種算法，并針對(duì)出現(xiàn)的以下四個(gè)問(wèn)題：基于向量表示的特征提取產(chǎn)生的問(wèn)題、4D張量表情樣本通過(guò)張量分解后提取的低維特征在張量子空間中也表現(xiàn)相似的問(wèn)題、三維張量表情樣本的正交低秩與正交稀疏問(wèn)題，分別提出了基于低秩張量完備性（ FERLrTC）的張量分解算法、基于先驗(yàn)信息的正交張量補(bǔ)全（ OTDFPFER ）算法、正交低秩Tucker分解算法（ OLRTDFER ）和稀疏正交.Tucker分解算法（ SOTDFER ）。

作者簡(jiǎn)介

暫缺《基于張量分解理論的三維人臉表情識(shí)別算法研究》作者簡(jiǎn)介

圖書(shū)目錄

常用符號(hào)
1 緒論
1.1 課題背景和意義
1.2 人臉表情識(shí)別研究的發(fā)展歷史
1.3 外研究現(xiàn)狀
1.3.1 三維人臉表情特征提取方法綜述
1.3.2 三維人臉表情特征提取方法總結(jié)與分析
1.3.3 三維人臉表情常用分類方法
1.3.4 常用三維人臉表情數(shù)據(jù)庫(kù)
1.4 研究?jī)?nèi)容與研究方法
1.5 本章小結(jié)
2 張量理論與流形學(xué)習(xí)
2.1 張量理論
2.1.1 張量
2.1.2 張量代數(shù)
2.1.3 張量分解理論
2.1.4 基于Tucker分解的降維算法
2.1.5 張量子空間模型
2.1.6 張量低秩表示
2.2 流形學(xué)習(xí)與圖嵌入框架
2.2.1 流形與流形學(xué)習(xí)
2.2.2 基于張量學(xué)習(xí)的圖嵌入框架
2.3 本章小結(jié)
3 基于低秩張量完備性的張量分解
3.1 引言
3.2 算法背景
3.2.1 張量低秩表示
3.2.2 張量稀疏表示
3.3 算法介紹
3.4 FERLrTC算法的模型優(yōu)化及求解
3.4.1 低秩張量完備性的優(yōu)化模型的建立
3.4.2 低秩張量完備性的優(yōu)化模型的求解
3.4.3 秩降低策略
3.5 FERLrTC算法的分析
3.5.1 FERLrTC算法的復(fù)雜度
3.5.2 FERLrTC算法的收斂性
3.6 FERLrTC算法的實(shí)驗(yàn)評(píng)價(jià)
3.6.1 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)步驟
3.6.2 實(shí)施細(xì)節(jié)
3.6.3 在BU-3DF數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果
3.6.4 在Bosptlorus數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果
3.6.5 合成數(shù)據(jù)對(duì)FERLrTC算法的驗(yàn)證
3.7 對(duì)FERLrTC算法的討論
3.7.1 基于特征融合的4D張量模型的有效性
3.7.2 特征描述符的選擇
3.7.3 秩降低策略的有效性
3.8 本章小結(jié)
4 基于先驗(yàn)信息的正交張量補(bǔ)全
4.1 引言
4.2 算法背景