學術(shù)專著信號與信息處理：局部多核學習與圖像分類

第1章 緒論
1.1 研究背景與意義
1.2 基于多核學習的圖像分類
1.3 研究現(xiàn)狀
第2章 圖像表征
2.1 場景要點
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 風險最小化學習
3.3 核與線性分類器
3.4 支持向量機分類器
第4章 局部多核學習的正則風險框架
4.1 多核學習的正則風險框架
4.2 流行的多核學習形式
4.3 局部多核學習的正則風險框架簡介
4.4 圖像數(shù)據(jù)庫
4.5 核矩陣構(gòu)造及圖像特征
4.6 實驗設置與評價準則
第5章 基于樣本級優(yōu)化的方法
5.1 原一對偶等價形式
5.2 樣本級的交替優(yōu)化
5.3 樣本級的目標函數(shù)求解
5.4 實驗結(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 實驗結(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 實驗結(jié)果與分析
第8章 局部多核學習的貝葉斯視角
8.1 貝葉斯框架
8.2 高斯過程
8.3 多核學習的貝葉斯視角
8.4 局部多核學習的貝葉斯視角簡介
第9章 局部多核學習在構(gòu)建生物視覺模型中的應用
9.1 引言
9.2 場景分類
9.3 任務引導的生物啟發(fā)式Gist模型（BT-Gist）
9.4 數(shù)據(jù)庫與實驗設置
9.5 實驗結(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