掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
闖進(jìn)數(shù)學(xué)世界――探秘歷史名題
-
>
中醫(yī)基礎(chǔ)理論
-
>
當(dāng)代中國政府與政治(新編21世紀(jì)公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫(yī)內(nèi)科學(xué)·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
新型特征抽取算法研究 版權(quán)信息
- ISBN：9787312040498
- 條形碼：9787312040498 ; 978-7-312-04049-8
- 裝幀：暫無
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
新型特征抽取算法研究 本書特色
范自柱*的《新型特征抽取算法研究》的主要內(nèi) 容是特征抽取方法在人臉識別和其他分類任務(wù)中的應(yīng) 用。首先介紹了改進(jìn)的特征抽取方法以提高經(jīng)典特征 抽取方法的分類精度。接著介紹了幾種特征抽取方法 ，它們的目的是提高特征抽取算法的計算效率。*后 從一個新穎的角度去描述特征抽取方法，即從樣本表 示的角度來闡述特征抽取，這源自目前備受關(guān)注的壓 縮感知理論。
本書既可作為自動化、計算機(jī)、電子工程和信息 管理等專業(yè)本科生、研究生和研究人員的科研用書， 又可作為從事模式識別、機(jī)器學(xué)習(xí)、計算機(jī)視覺和圖 像處理等工作的開管人員的參考資料。
新型特征抽取算法研究 內(nèi)容簡介
范自柱著的《新型特征抽取算法研究》的主要內(nèi)容是特征抽取方法在人臉識別和其他分類任務(wù)中的應(yīng)用。首先介紹了改進(jìn)的特征抽取方法以提高經(jīng)典特征抽取方法的分類精度。接著介紹了幾種特征抽取方法，它們的目的是提高特征抽取算法的計算效率。*后從一個新穎的角度去描述特征抽取方法，即從樣本表示的角度來闡述特征抽取，這源自目前備受關(guān)注的壓縮感知理論。 本書既可作為自動化、計算機(jī)、電子工程和信息管理等專業(yè)本科生、研究生和研究人員的科研用書，又可作為從事模式識別、機(jī)器學(xué)習(xí)、計算機(jī)視覺和圖像處理等工作的開管人員的參考資料。
新型特征抽取算法研究 目錄
前言
第1章 引論1.1 背景1.2 研究目的和意義1.3 特征抽取方法概述1.3.1 線性特征抽取方法1.3.2 非線性特征抽取方法1.3.3 基于增量學(xué)習(xí)的特征抽取1.3.4 基于表示理論的特征抽取1.4 實驗常用數(shù)據(jù)集
第2章 擴(kuò)展主成分分析2.1 引言2.2 PCA簡介2.3 相似子空間學(xué)習(xí)框架2.3.1 相似子空間框架的基本思想2.3.2 相似子空間模型2.3.3 基于特征選擇的子空間集成2.4 實驗2.4.1 人臉庫AR上的實驗2.4.2 人臉庫CMU PIE上的實驗2.4.3 特征選擇2.4.4 聚類2.4.5 人臉重建2.4.6 相似子空間在分類中的作用2.5 本章小結(jié)
第3章 基于樣本近鄰的局部線性鑒別分析框架3.1 引言3.2 局部鑒別分析框架的基本思想3.3 基于向量形式的LDA(VLDA)和基于矩陣形式的LDA(MLDA) 3.3.1 基于向量形式的LDA(VLDA)3.3.2 基于矩陣形式的LDA(MLDA)3.4 LLDA框架3.4.1 基于向量的LLDA(VLLDA)算法3.4.2 基于矩陣的LLDA(MLLDA)算法3.4.3 LLDA算法框架3.4.4 LLDA框架分析3.4.5 近鄰個數(shù)的選擇3.4.6 計算復(fù)雜度分析3.5 實驗結(jié)果3.5.1 在二維模擬數(shù)據(jù)集上的實驗3.5.2 在ORL人臉庫上的實驗3.5.3 在Yale人臉庫上的實驗3.5.4 在AR人臉庫上的實驗3.6 本章小結(jié)
第4章 基于局部*小均方誤差的分類算法4.1 引言4.2 *小均方誤差算法簡介4.2.1 MSE的二分類模型4.2.2 MSE的多類分類模型4.3 LMSE的提出4.4 局部*小均方誤差模型4.4.1 二元分類的LMSE4.4.2 多元分類的LMSE4.4.3 LMSE算法復(fù)雜度及相關(guān)討論4.5 實驗4.5.1 AR數(shù)據(jù)集上的實驗4.5.2 在CMU PIE數(shù)據(jù)集上的實驗4.5.3 在MNIST數(shù)據(jù)集上的實驗4.5.4 在兩類數(shù)據(jù)集上的實驗4.6 本章小結(jié)
第5章 基于個性化學(xué)習(xí)的核線性鑒別分析5.1 引言5.2 一般個性化學(xué)習(xí)的主要思想5.3 個性化KFDA(IKFDA)5.3.1 確定學(xué)習(xí)區(qū)域5.3.2 使用KFDA的學(xué)習(xí)模型5.3.3 計算復(fù)雜性分析5.4 實驗5.4.1 在AR人臉數(shù)據(jù)集上的實驗5.4.2 在YaleB人臉數(shù)據(jù)集上的實驗5.4.3 在AR ORL人臉數(shù)據(jù)集上的實驗5.4.4 在MNIST數(shù)據(jù)集上的實驗5.4.5 學(xué)習(xí)區(qū)域參數(shù)尺與分類結(jié)果之間的聯(lián)系5.5 本章小結(jié)
第6章 高效KPCA特征抽取方法6.1 引言6.2 核主成分分析(KPCA)6.3 高效的核主成分分析(EKPCA)6.3.1 EKPCA的基本思想6.3.2 確定基本模式6.3.3 復(fù)雜度分析6.4 實驗結(jié)果6.5 本章小結(jié)
第7章 快速核*小均方誤差算法 7.1 問題的提出7.2 KMSE模型7.3 快速KMSE(FKMSE)算法7.4 實驗7.4.1 實驗17.4.2 實驗27.4.3 實驗37.5 本章小結(jié)
第8章 核函數(shù)參數(shù)的自動選擇8.1 引言8.2 基于通用熵的核函數(shù)參數(shù)選擇8.2.1 通用熵8.2.2 余弦矩陣和核矩陣之間的關(guān)系8.3 實驗8.3.1 高斯核函數(shù)參數(shù)選擇8.3.2 多項式核函數(shù)參數(shù)選擇8.4 本章小結(jié)
第9章 基于樣本表示的特征抽取9.1 基于L2范數(shù)的表示方法9.1.1 協(xié)同表示分類(CRC)方法9.1.2 線性回歸分類(LRC)方法9.1.3 兩階段測試樣本的稀疏表示(TPTSR)方法9.2 基于L1范數(shù)的表示方法9.3 基于L0范數(shù)的表示方法9.3.1 引言9.3.2 GASRC 9.3.3 實驗9.4 本章小結(jié)
參考文獻(xiàn)
展開全部
書友推薦
- >
隨園食單
- >
巴金－再思錄
- >
史學(xué)評論
- >
朝聞道
- >
二體千字文
- >
月亮虎
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
