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
買過本商品的人還買了
大類別集分類與自適應及其在漢字識別中的應用 版權信息
- ISBN：9787111713289
- 條形碼：9787111713289 ; 978-7-111-71328-9
- 裝幀：簡裝本
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
大類別集分類與自適應及其在漢字識別中的應用 本書特色
《大類別集分類與自適應及其在漢字識別中的應用》由中國科學院自動化研究所副研究員張煦堯博士撰寫。全書從大類別集和非獨立同分布的角度出發，分別對降維、分類器學習、分類器自適應三方面的研究進行了深入的闡述，并且通過實驗證明了在聯機及脫機手寫漢字識別上本書方法的性能優于傳統方法。
《大類別集分類與自適應及其在漢字識別中的應用》共六章：
第1章首先介紹了研究背景和意義，然后介紹了全書的主要工作、貢獻以及組織結構。第2章首先闡述了FDA和類別可分性問題，然后分析了加權Fisher準則，*后提出了一種非參數加權Fisher準則降維方法，并取得了*佳性能。第3章首先回顧了修正二次判別函數MQDF以及對它的改進方法，然后提出了一種局部平滑的修正二次判別函數LSMQDF。第4章首先對書寫人自適應的方法進行了歷史回顧，然后提出了一種基于風格遷移映射的分類器自適應框架。第5章首先介紹了模式域分類問題的定義以及相關歷史，然后提出了一種貝葉斯模式域分類方法，*后在三個不同類型的實驗數據庫上展示了模式域分類帶來的性能提升。第6章對全書的研究工作進行了總結，并對后續的研究方向進行了展望。
大類別集分類與自適應及其在漢字識別中的應用 內容簡介
《大類別集分類與自適應及其在漢字識別中的應用》由中國科學院自動化研究所副研究員張煦堯博士撰寫。全書從大類別集和非獨立同分布的角度出發，分別對降維、分類器學習、分類器自適應三方面的研究進行了深入的闡述，并且通過實驗證明了在聯機及脫機手寫漢字識別上本書方法的性能優于傳統方法。《大類別集分類與自適應及其在漢字識別中的應用》共六章：第1章首先介紹了研究背景和意義，然后介紹了全書的主要工作、貢獻以及組織結構。第2章首先闡述了FDA和類別可分性問題，然后分析了加權Fisher準則，*后提出了一種非參數加權Fisher準則降維方法，并取得了*佳性能。第3章首先回顧了修正二次判別函數MQDF以及對它的改進方法，然后提出了一種局部平滑的修正二次判別函數LSMQDF。第4章首先對書寫人自適應的方法進行了歷史回顧，然后提出了一種基于風格遷移映射的分類器自適應框架。第5章首先介紹了模式域分類問題的定義以及相關歷史，然后提出了一種貝葉斯模式域分類方法，*后在三個不同類型的實驗數據庫上展示了模式域分類帶來的性能提升。第6章對全書的研究工作進行了總結，并對后續的研究方向進行了展望。
大類別集分類與自適應及其在漢字識別中的應用 目錄
第1章 引言
1.1 背景介紹和研究意義 1
1.1.1 特征描述 2
1.1.2 分類器設計 3
1.1.3 分類器自適應 5
1.1.4 大類別集漢字識別 6
1.2 本書主要內容及貢獻 7
1.3 本書組織結構 10
第2章 基于加權Fisher準則的大類別集降維
2.1 引言 12
2.2 FDA和類別可分性問題 16
2.2.1 **步：白化（whitening） 17
2.2.2 第二步：白化空間的PCA 18
2.2.3 類別可分性問題 18
2.3 加權Fisher準則 20
2.3.1 加權函數 22
2.3.2 加權空間 27
2.4 對不同加權Fisher準則的評估 29
2.4.1 數據集 30
2.4.2 分類器 31
2.4.3 實驗設置 33
2.4.4 實驗結果 33
2.4.5 統計顯著性 38
2.4.6 五種加權函數的比較 40
2.4.7 計算復雜度比較 40
2.4.8 三種加權空間的比較 43
2.4.9 空間不變性 45
2.4.10 形近字分析 46
2.5 樣本級別的加權Fisher準則 47
2.5.1 SKNN：樣本級別的KNN方法 48
2.5.2 漢字識別中的其他降維方法 49
2.5.3 性能評估 51
2.6 本章小結 54
第3章 基于局部平滑的修正二次判別函數
3.1 引言 56
3.1.1 二次判別函數QDF 56
3.1.2 修正二次判別函數MQDF 58
3.2 對MQDF的改進 59
3.3 局部平滑的修正二次判別函數LSMQDF 60
3.3.1 極大似然估計 61
3.3.2 局部平滑：LSMQDF 62
3.3.3 局部平滑與全局平滑 64
3.4 實驗結果 65
3.4.1 LSMQDF用于脫機識別 65
3.4.2 不同維數的影響 67
3.4.3 不同訓練數據量的影響 68
3.4.4 對K的選擇 68
3.4.5 對β的選擇 69
3.4.6 LSMQDF用于聯機識別 70
3.5 本章小結 71
第4章 基于風格遷移映射的分類器自適應
4.1 引言 73
4.2 歷史回顧 76
4.3 風格遷移映射 80
4.4 源點集和目標點集 83
4.4.1 源點集 83
4.4.2 LVQ的目標點集 84
4.4.3 MQDF的目標點集 86
4.5 置信度估計 88
4.6 分類器自適應 91
4.6.1 監督的自適應 91
4.6.2 非監督的自適應 93
4.6.3 半監督的自適應 94
4.7 實驗結果 96
4.7.1 數據庫 96
4.7.2 實驗設置 98
4.7.3 LVQ自適應 100
4.7.4 MQDF自適應 103
4.7.5 置信度估計的影響 109
4.7.6 對STM和MLLR的比較 111
4.7.7 模型參數選擇 113
4.8 本章小結 117
第5章 基于風格歸一化的模式域分類
5.1 引言 119
5.2 模式域分類簡介120
5.2.1 歷史回顧 122
5.2.2 本章工作 123
5.3 貝葉斯模式域分類 124
5.3.1 基本假設 125
5.3.2 模型定義 126
5.3.3 對未知樣本的預測 128
5.3.4 優化 130
5.3.5 特殊情況 131
5.4 實驗結果 134
5.4.1 不同姿態下的人臉識別 135
5.4.2 多說話者元音分類 136
5.4.3 多書寫人手寫字符識別 138
5.5 本章小結 140
第6章 總結和展望
6.1 本書研究成果 142
6.2 未來工作展望 145
1.1 背景介紹和研究意義 1
1.1.1 特征描述 2
1.1.2 分類器設計 3
1.1.3 分類器自適應 5
1.1.4 大類別集漢字識別 6
1.2 本書主要內容及貢獻 7
1.3 本書組織結構 10
第2章 基于加權Fisher準則的大類別集降維
2.1 引言 12
2.2 FDA和類別可分性問題 16
2.2.1 **步：白化（whitening） 17
2.2.2 第二步：白化空間的PCA 18
2.2.3 類別可分性問題 18
2.3 加權Fisher準則 20
2.3.1 加權函數 22
2.3.2 加權空間 27
2.4 對不同加權Fisher準則的評估 29
2.4.1 數據集 30
2.4.2 分類器 31
2.4.3 實驗設置 33
2.4.4 實驗結果 33
2.4.5 統計顯著性 38
2.4.6 五種加權函數的比較 40
2.4.7 計算復雜度比較 40
2.4.8 三種加權空間的比較 43
2.4.9 空間不變性 45
2.4.10 形近字分析 46
2.5 樣本級別的加權Fisher準則 47
2.5.1 SKNN：樣本級別的KNN方法 48
2.5.2 漢字識別中的其他降維方法 49
2.5.3 性能評估 51
2.6 本章小結 54
第3章 基于局部平滑的修正二次判別函數
3.1 引言 56
3.1.1 二次判別函數QDF 56
3.1.2 修正二次判別函數MQDF 58
3.2 對MQDF的改進 59
3.3 局部平滑的修正二次判別函數LSMQDF 60
3.3.1 極大似然估計 61
3.3.2 局部平滑：LSMQDF 62
3.3.3 局部平滑與全局平滑 64
3.4 實驗結果 65
3.4.1 LSMQDF用于脫機識別 65
3.4.2 不同維數的影響 67
3.4.3 不同訓練數據量的影響 68
3.4.4 對K的選擇 68
3.4.5 對β的選擇 69
3.4.6 LSMQDF用于聯機識別 70
3.5 本章小結 71
第4章 基于風格遷移映射的分類器自適應
4.1 引言 73
4.2 歷史回顧 76
4.3 風格遷移映射 80
4.4 源點集和目標點集 83
4.4.1 源點集 83
4.4.2 LVQ的目標點集 84
4.4.3 MQDF的目標點集 86
4.5 置信度估計 88
4.6 分類器自適應 91
4.6.1 監督的自適應 91
4.6.2 非監督的自適應 93
4.6.3 半監督的自適應 94
4.7 實驗結果 96
4.7.1 數據庫 96
4.7.2 實驗設置 98
4.7.3 LVQ自適應 100
4.7.4 MQDF自適應 103
4.7.5 置信度估計的影響 109
4.7.6 對STM和MLLR的比較 111
4.7.7 模型參數選擇 113
4.8 本章小結 117
第5章 基于風格歸一化的模式域分類
5.1 引言 119
5.2 模式域分類簡介120
5.2.1 歷史回顧 122
5.2.2 本章工作 123
5.3 貝葉斯模式域分類 124
5.3.1 基本假設 125
5.3.2 模型定義 126
5.3.3 對未知樣本的預測 128
5.3.4 優化 130
5.3.5 特殊情況 131
5.4 實驗結果 134
5.4.1 不同姿態下的人臉識別 135
5.4.2 多說話者元音分類 136
5.4.3 多書寫人手寫字符識別 138
5.5 本章小結 140
第6章 總結和展望
6.1 本書研究成果 142
6.2 未來工作展望 145
展開全部
大類別集分類與自適應及其在漢字識別中的應用 作者簡介
張煦堯，博士，中國科學院自動化研究所副研究員。2008年獲武漢大學計算數學學士學位，2013年獲中國科學院自動化研究所模式識別與智能系統博士學位，2015年作為國家公派訪問學者前往加拿大蒙特利爾大學。主要研究興趣包括模式識別、機器學習、文字識別以及深度學習。在模式識別和人工智能期刊與會議上（包括P IEEE、IEEE TPAMI、CVPR, ICCV等）發表論文80余篇。擔任國際期刊IEEE Transaction Image Processing和Pattern Recognition的編委。榮獲國家優秀青年科學基金、吳文俊人工智能優秀青年獎和朱李月華優秀教師獎。
書友推薦
- >
我從未如此眷戀人間
- >
史學評論
- >
上帝之肋:男人的真實旅程
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
羅庸西南聯大授課錄
- >
李白與唐代文化
本類暢銷
