掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
面向特殊樣本形式的多視角學習問題及其解決方法 版權信息
- ISBN：9787030714039
- 條形碼：9787030714039 ; 978-7-03-071403-9
- 裝幀：一般純質紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
面向特殊樣本形式的多視角學習問題及其解決方法 內容簡介
本書主要介紹多視圖學習的產生背景、存在的主要問題和相應的解決方案。針對實時產生且信息可變、有效樣本信息不足、多種樣本信息之間關聯復雜等特殊樣本形式的多視圖數據集，本書逐一提出可行的方案并加以對比，深入淺出地描述了這些方案的優勢、劣勢和應用場景。 本書可作為模式識別專業研究生和學者的參考書，也可供多視圖學習等領域的科研人員閱讀。
面向特殊樣本形式的多視角學習問題及其解決方法 目錄
目錄《博士后文庫》序言前言第1章 背景 1第2章 主要問題 42.1 實時產生且信息可變 42.2 有效樣本信息不足 42.2.1 有標簽樣本數目不足 52.2.2 信息缺失 52.3 多種樣本信息之間關聯復雜 52.4 問題展開及本書工作 6第3章 半監督在線多視圖學習機 83.1 引言 83.1.1 傳統多視圖學習及其問題 83.1.2 OPMV的提出 93.1.3 OPMV的問題 93.1.4 SSOPMV的提出 103.2 在線多視圖學習 103.2.1 OPMV 103.2.2 模型優化 113.3 半監督在線多視圖學習機 123.3.1 通過Universum創建額外無標簽樣本 133.3.2 SSOPMV的實現 153.4 實驗 163.4.1 實驗設置 163.4.2 在不經常更新的多視圖數據集上的測試準確率比較 193.4.3 在經常更新的多視圖數據集上的測試準確率比較 213.4.4 不同的額外無標簽樣本生成方法之間的比較 213.4.5 在線學習相關的學習機與整體存儲相關的學習機的對比 223.4.6 有標簽樣本的百分比對學習機性能影響 243.4.7 ?t的影響 253.5 本章小結 26第4章 具有可變特征和視圖的半監督在線多視圖學習機 274.1 引言 274.1.1 傳統的多視圖學習機存在的問題 274.1.2 傳統多視圖學習機問題的解決方案 284.1.3 SOMVFV的提出、創新點、動機和貢獻 294.2 相關工作 294.2.1 半監督學習機 294.2.2 在線學習機 304.2.3 具有可變特征或視圖的多視圖學習機 304.3 具有可變特征和視圖的半監督在線多視圖學習 314.4 實驗 374.4.1 實驗設置 374.4.2 在單視圖小規模數據集上分類性能的比較 414.4.3 在單視圖大規模數據集上分類性能的比較 434.4.4 在多視圖小規模數據集上分類性能的比較 454.4.5 在多視圖大規模數據集上分類性能的比較 474.5 本章小結 47第5章 具有Universum的基于秩一致性的多視圖學習 495.1 引言 495.1.1 問題和解決方法 495.1.2 RANCU的提出和優勢 495.2 實驗 505.2.1 實驗設置 505.2.2 實驗內容 515.3 本章小結 54第6章 改進的具有五層樣本信息的多矩陣學習機 556.1 引言 556.1.1 背景介紹 556.1.2 動機和提出 556.1.3 貢獻 566.2 使用五種樣本信息提升多矩陣分類器性能 566.2.1 創建IBU樣本 566.2.2 IMMFI框架 576.3 實驗 586.3.1 實驗設置 586.3.2 分類性能的比較 596.3.3 驗證IMMFI在跟蹤問題中的有效性 606.4 本章小結 60第7章 基于權重的無標簽多視圖數據集生成方法 627.1 引言 627.1.1 背景介紹 627.1.2 提出、動機和貢獻 637.2 基于權重的未知標簽多視圖數據集生成方法 637.2.1 基于WMVC獲得視圖和特征的權重 637.2.2 獲得每個已知標簽的多視圖樣本的相似樣本 647.2.3 生成可行的未知標簽的多視圖數據集 657.3 實驗 667.3.1 實驗設置 667.3.2 現實數據集的性能比較 667.4 本章小結 74第8章 基于權重和Universum的半監督多視圖學習機 768.1 引言 768.1.1 重要性體現 768.1.2 研究問題 778.1.3 研究目標 788.1.4 WUSM模型的提出、動機和獨創性 798.1.5 貢獻 798.2 相關工作 808.2.1 半監督多視圖學習機 808.2.2 Universum學習 808.2.3 構造Universum集的方法 818.3 基于權重和Universum的半監督多視圖學習機 818.3.1 構建WUSM的步驟 818.3.2 視圖和特征的應用 838.3.3 計算復雜度分析 838.3.4 收斂性 838.3.5 WUSM的優勢 848.4 實驗 848.4.1 實驗設置 848.4.2 不同應用間性能比較 868.5 本章小結 88第9章 新的具有不完整數據的多視圖學習機 909.1 引言 909.1.1 背景介紹 909.1.2 經典的學習機 909.1.3 問題 919.1.4 相應的解決方案 919.1.5 貢獻 919.2 MVL-IV框架 929.3 具有不完整數據的多視圖學習機 929.3.1 數據準備 929.3.2 目標及模型 939.3.3 模型實現 949.3.4 *終流程 959.4 實驗 969.4.1 實驗設置 969.4.2 回歸問題的比較 979.4.3 關于二分排名問題的比較 1029.4.4 關于圖像搜索問題的比較 1039.4.5 計算復雜度比較 1059.5 本章小結 107第10章 具有不完整視圖和標簽的多視圖多標簽學習 10810.1 引言 10810.1.1 多視圖多標簽數據集 10810.1.2 傳統的多視圖多標簽學習機存在的問題及解決方案 10810.1.3 目標 11010.1.4 獨創性和貢獻 11010.2 具有不完整視圖和標簽的多視圖多標簽學習 11110.2.1 數據準備 11110.2.2 具有標簽特定特征的多視圖多標簽學習 11110.2.3 具有不完整標簽的多視圖多標簽學習 11210.2.4 具有不完整視圖的多視圖多標簽學習 11210.2.5 具有全局和局部關聯的多視圖多標簽學習 11310.2.6 基于不同視圖補充信息的多視圖多標簽學習 11410.2.7 MVML-IVL*終的目標函數 11410.2.8 實現 11410.3 實驗 11510.3.1 實驗設置 11510.3.2 實驗結果 11910.4 本章小結 123第11章 基于權重的典型稀疏跨視圖關聯分析 12411.1 引言 12411.1.1 背景介紹 12411.1.2 動機 12511.1.3 貢獻 12611.2 相關工作 12611.2.1 典型的稀疏跨視圖關聯分析 12611.2.2 全局和局部典型關聯分析 12711.3 基于權重的典型稀疏跨視圖關聯分析 12811.3.1 基于權重的典型稀疏跨視圖關聯分析 12811.3.2 核化的WCSCCA 13011.4 實驗 13111.4.1 實驗設置 13111.4.2 在多特征數據集上性能比較 13311.4.3 在面部數據集上性能比較 13711.5 本章小結 140第12章 全局和局部多視圖多標簽學習 14212.1 引言 14212.1.1 三種經典數據集 14212.1.2 傳統解決方案 14212.1.3 存在問題 14412.1.4 相應解決方案 14412.1.5 獨創性及貢獻 14412.2 全局和局部多視圖多標簽學習 14412.2.1 數據準備 14412.2.2 框架 14512.2.3 解決方案 14812.2.4 計算復雜度 14912.3 實驗 14912.3.1 實驗設置 14912.3.2 實驗結果 15012.4 本章小結 159第13章 當前工作的不足 160第14章 未來的可研究方向 16214.1 有約束多關聯信息衡量算法 16214.2 基于量質平衡模型及信息熵的信息增強算法 16214.3 基于可變信息的多視圖在線學習機 163參考文獻 165編后記 189彩圖
展開全部
書友推薦
- >
李白與唐代文化
- >
中國歷史的瞬間
- >
羅曼·羅蘭讀書隨筆-精裝
- >
我從未如此眷戀人間
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
名家帶你讀魯迅:故事新編
- >
我與地壇
- >
人文閱讀與收藏·良友文學叢書:一天的工作
本類暢銷
