本書(shū)的主要內(nèi)容是特征抽取方法在人臉識(shí)別和其他分類(lèi)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(lèi)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(jì)算效率。最后從一個(gè)新穎的角度去描述特征抽取方法,即從樣本表示的角度來(lái)闡述特征抽取,這源自目前備受關(guān)注的壓縮感知理論。
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(shí)驗(yàn)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(jiǎn)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(shí)驗(yàn)
2.4.1 人臉庫(kù)AR上的實(shí)驗(yàn)
2.4.2 人臉庫(kù)CMU PIE上的實(shí)驗(yàn)
2.4.3 特征選擇
2.4.4 聚類(lèi)
2.4.5 人臉重建
2.4.6 相似子空間在分類(lèi)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(gè)數(shù)的選擇
3.4.6 計(jì)算復(fù)雜度分析
3.5 實(shí)驗(yàn)結(jié)果
3.5.1 在二維模擬數(shù)據(jù)集上的實(shí)驗(yàn)
3.5.2 在ORL人臉庫(kù)上的實(shí)驗(yàn)
3.5.3 在Yale人臉庫(kù)上的實(shí)驗(yàn)
3.5.4 在AR人臉庫(kù)上的實(shí)驗(yàn)
3.6 本章小結(jié)
第4章 基于局部 小均方誤差的分類(lèi)算法
4.1 引言
4.2 小均方誤差算法簡(jiǎn)介
4.2.1 MSE的二分類(lèi)模型
4.2.2 MSE的多類(lèi)分類(lèi)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(lèi)的LMSE
4.4.2 多元分類(lèi)的LMSE
4.4.3 LMSE算法復(fù)雜度及相關(guān)討論
4.5 實(shí)驗(yàn)
4.5.1 AR數(shù)據(jù)集上的實(shí)驗(yàn)
4.5.2 在CMU PIE數(shù)據(jù)集上的實(shí)驗(yàn)
4.5.3 在MNIST數(shù)據(jù)集上的實(shí)驗(yàn)
4.5.4 在兩類(lèi)數(shù)據(jù)集上的實(shí)驗(yàn)
4.6 本章小結(jié)
第5章 基于個(gè)性化學(xué)習(xí)的核線性鑒別分析
5.1 引言
5.2 一般個(gè)性化學(xué)習(xí)的主要思想
5.3 個(gè)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(jì)算復(fù)雜性分析
5.4 實(shí)驗(yàn)
5.4.1 在AR人臉數(shù)據(jù)集上的實(shí)驗(yàn)
5.4.2 在YaleB人臉數(shù)據(jù)集上的實(shí)驗(yàn)
5.4.3 在AR+ORL人臉數(shù)據(jù)集上的實(shí)驗(yàn)
5.4.4 在MNIST數(shù)據(jù)集上的實(shí)驗(yàn)
5.4.5 學(xué)習(xí)區(qū)域參數(shù)尺與分類(lèi)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(shí)驗(yàn)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(wèn)題的提出
7.2 KMSE模型
7.3 快速KMSE(FKMSE)算法
7.4 實(shí)驗(yàn)
7.4.1 實(shí)驗(yàn)1
7.4.2 實(shí)驗(yàn)2
7.4.3 實(shí)驗(yàn)3
7.5 本章小結(jié)
第8章 核函數(shù)參數(shù)的自動(dòng)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(shí)驗(yàn)
8.3.1 高斯核函數(shù)參數(shù)選擇
8.3.2 多項(xiàng)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(lèi)(CRC)方法
9.1.2 線性回歸分類(lèi)(LRC)方法
9.1.3 兩階段測(cè)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(shí)驗(yàn)
9.4 本章小結(jié)
參考文獻(xiàn)