學(xué)術(shù)專著信號與信息處理：局部多核學(xué)習(xí)與圖像分類

第1章 緒論
1.1 研究背景與意義
1.2 基于多核學(xué)習(xí)的圖像分類
1.3 研究現(xiàn)狀
第2章 圖像表征
2.1 場景要點(diǎn)
2.2 方向梯度直方圖
2.3 尺度不變特征變換
2.4 直線特征
2.5 自相似性描述符
2.6 紋理元
2.7 幾何概率映射
第3章 圖像分類中的核方法
3.1 圖像表征與核
3.2 風(fēng)險(xiǎn)最小化學(xué)習(xí)
3.3 核與線性分類器
3.4 支持向量機(jī)分類器
第4章 局部多核學(xué)習(xí)的正則風(fēng)險(xiǎn)框架
4.1 多核學(xué)習(xí)的正則風(fēng)險(xiǎn)框架
4.2 流行的多核學(xué)習(xí)形式
4.3 局部多核學(xué)習(xí)的正則風(fēng)險(xiǎn)框架簡介
4.4 圖像數(shù)據(jù)庫
4.5 核矩陣構(gòu)造及圖像特征
4.6 實(shí)驗(yàn)設(shè)置與評價(jià)準(zhǔn)則
第5章 基于樣本級優(yōu)化的方法
5.1 原一對偶等價(jià)形式
5.2 樣本級的交替優(yōu)化
5.3 樣本級的目標(biāo)函數(shù)求解
5.4 實(shí)驗(yàn)結(jié)果與分析
第6章 基于半定規(guī)劃的方法
6.1 lp范數(shù)LMKL框架
6.2 單約束QCQP的SDP松弛
6.3 SDP求解局部化γ
6.4 實(shí)驗(yàn)結(jié)果與分析
第7章 基于門函數(shù)的方法
7.1 Gonen & Alpaydin的方法
7.2 分組敏感的方法
7.3 基于概率置信核的方法
7.4 實(shí)驗(yàn)結(jié)果與分析
第8章 局部多核學(xué)習(xí)的貝葉斯視角
8.1 貝葉斯框架
8.2 高斯過程
8.3 多核學(xué)習(xí)的貝葉斯視角
8.4 局部多核學(xué)習(xí)的貝葉斯視角簡介
第9章 局部多核學(xué)習(xí)在構(gòu)建生物視覺模型中的應(yīng)用
9.1 引言
9.2 場景分類
9.3 任務(wù)引導(dǎo)的生物啟發(fā)式Gist模型（BT-Gist）
9.4 數(shù)據(jù)庫與實(shí)驗(yàn)設(shè)置
9.5 實(shí)驗(yàn)結(jié)果與分析
9.6 與現(xiàn)有方法的比較
9.7 BT-Gist模型討論
參考文獻(xiàn)