這本《學術專著信號與信息處理：局部多核學習與圖像分類》系統地論述了局部多核學習的理論、優化算法及其在圖像分類中的應用。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建生物視覺模型中的應用。《學術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域的最新研究成果。《學術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，是該領域一部內容新穎、系統全面、實用性強的學術著作。
《學術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 圖像數據庫
4.5 核矩陣構造及圖像特征
4.6 實驗設置與評價準則
第5章 基于樣本級優化的方法
5.1 原一對偶等價形式
5.2 樣本級的交替優化
5.3 樣本級的目標函數求解
5.4 實驗結果與分析
第6章 基于半定規劃的方法
6.1 lp范數LMKL框架
6.2 單約束QCQP的SDP松弛
6.3 SDP求解局部化γ
6.4 實驗結果與分析
第7章 基于門函數的方法
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式Gist模型（BT-Gist）
9.4 數據庫與實驗設置
9.5 實驗結果與分析
9.6 與現有方法的比較
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的問題即是設計性能優良的圖像表征。現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，其最本質的差異在于它們在保持類別內的不變性與刻畫類別問的區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分性；相應地，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，但是卻沒有任何區分能力。絕大部分的圖像表征具有某種確定的最優折中，置于由上述兩種極端情況所界定的范圍之間的某處。
但是，不變性與區分性的最優折中取決于當前特定的分類任務，并隨訓練數據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的性能執行所有的圖像分類任務。以對數字6與9的分類為例，在旋轉不變性表征下，兩者將被混淆。此時，完全的旋轉不變性特征并不是一個好的選擇。如果分類任務為區分4和9這兩類數字，其中這兩類數字可能被旋轉到任意方向，那么采用具有完全旋轉不變性的特征則是可取的。但是，事實上
新書資訊