這本《學術(shù)專著信號與信息處理：局部多核學習與圖像分類》系統(tǒng)地論述了局部多核學習的理論、優(yōu)化算法及其在圖像分類中的應(yīng)用。全書分為9章，主要敘述了圖像分類中的核方法，局部多核學習的正則風險框架與算法，局部多核學習的貝葉斯視角及其在構(gòu)建生物視覺模型中的應(yīng)用。《學術(shù)專著信號與信息處理：局部多核學習與圖像分類》融入了作者多年的研究成果，同時也吸納了國際上在該領(lǐng)域的最新研究成果。《學術(shù)專著信號與信息處理：局部多核學習與圖像分類》對問題敘述詳盡，理論分析深入淺出，是該領(lǐng)域一部內(nèi)容新穎、系統(tǒng)全面、實用性強的學術(shù)著作。
《學術(shù)專著信號與信息處理：局部多核學習與圖像分類》可供從事局部多核學習理論及應(yīng)用的研究人員閱讀和參考。
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(shè)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(yīng)用
9.1 引言
9.2 場景分類
9.3 任務(wù)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(shè)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
1．2基于多核學習的圖像分類
1．2．1圖像表征
圖像分類中最為本質(zhì)的問題即是設(shè)計性能優(yōu)良的圖像表征。現(xiàn)有工作為我們提供了許多成功的“手工制作／編碼”的圖像表征。回顧這些表征，其最本質(zhì)的差異在于它們在保持類別內(nèi)的不變性與刻畫類別問的區(qū)分性上所取得的折中。例如，圖像中的某一小塊像素在使用標準歐氏距離進行比較時，幾乎沒有不變性，但是卻具有極高的區(qū)分性；相應(yīng)地，另一個極端情況則是以某個常量為表征，其具有絕對的不變性，但是卻沒有任何區(qū)分能力。絕大部分的圖像表征具有某種確定的最優(yōu)折中，置于由上述兩種極端情況所界定的范圍之間的某處。
但是，不變性與區(qū)分性的最優(yōu)折中取決于當前特定的分類任務(wù)，并隨訓練數(shù)據(jù)和先驗知識的變化而變化。因此，沒有任何一種圖像特征能夠保證以最優(yōu)的性能執(zhí)行所有的圖像分類任務(wù)。以對數(shù)字6與9的分類為例，在旋轉(zhuǎn)不變性表征下，兩者將被混淆。此時，完全的旋轉(zhuǎn)不變性特征并不是一個好的選擇。如果分類任務(wù)為區(qū)分4和9這兩類數(shù)字，其中這兩類數(shù)字可能被旋轉(zhuǎn)到任意方向，那么采用具有完全旋轉(zhuǎn)不變性的特征則是可取的。但是，事實上
新書資訊