發(fā)布時(shí)間：2023-05-28 08:01

　　二維圖像數(shù)據(jù)是人類獲取信息最直觀的形式,在醫(yī)療、交通、安全、智能設(shè)備上都有廣泛的應(yīng)用。因此,隨著圖像的維度持續(xù)增加,數(shù)據(jù)降維便成為計(jì)算機(jī)視覺(jué)領(lǐng)域的關(guān)鍵技術(shù)問(wèn)題。在眾多降維技術(shù)中,子空間學(xué)習(xí)一經(jīng)提出,便吸引了廣泛的關(guān)注,并且獲得了良好的性能。因此本文圍繞特征子空間學(xué)習(xí)展開(kāi),提出了一系列基于表示模型的特征子空間學(xué)習(xí)方法,其具體的研究?jī)?nèi)容包括以下幾個(gè)方面:(1)提出了一種基于子空間結(jié)構(gòu)約束的非負(fù)低秩表示特征子空間學(xué)習(xí)方法。利用低秩表示系數(shù)作為相似性權(quán)重來(lái)衡量樣本在投影空間中的距離,進(jìn)而挖掘出樣本的結(jié)構(gòu)信息。同時(shí),引入標(biāo)簽回歸約束項(xiàng)來(lái)增強(qiáng)模型判別性和對(duì)分類問(wèn)題的適用性。此外,低秩表示系數(shù)和特征子空間的聯(lián)合學(xué)習(xí)可以促使模型達(dá)到整體最優(yōu)化。設(shè)計(jì)了基于ALM的求解方案,并保證了目標(biāo)函數(shù)的收斂性。在不同類型的數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明了該方法的有效性。(2)提出了一種基于低秩表示的魯棒性特征子空間學(xué)習(xí)方法。為了保證特征子空間學(xué)習(xí)模型在多種噪聲條件下的判別性和魯棒性,設(shè)計(jì)了低秩的重構(gòu)樣本約束項(xiàng)。該約束項(xiàng)不但可以消除數(shù)據(jù)中的噪聲干擾,還可以利用標(biāo)簽信息來(lái)約束樣本在投影空間上距離。此外,該方法還利用低秩表示系數(shù)...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的背景和意義
    1.2 特征子空間學(xué)習(xí)的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 特征子空間學(xué)習(xí)的研究現(xiàn)狀
        1.2.2 基于表示模型的特征子空間學(xué)習(xí)方法的研究現(xiàn)狀
    1.3 本文的研究?jī)?nèi)容及章節(jié)安排
        1.3.1 本文的研究的內(nèi)容及創(chuàng)新
        1.3.2 本文的章節(jié)安排
第2章 基于子空間結(jié)構(gòu)約束的非負(fù)低秩表示特征子空間學(xué)習(xí)方法
    2.1 引言
    2.2 低秩表示與子空間學(xué)習(xí)模型分析
        2.2.1 低秩表示模型
        2.2.2 判別子空間學(xué)習(xí)模型
    2.3 基于低秩表示的特征子空間學(xué)習(xí)方法建模
    2.4 目標(biāo)函數(shù)的求解方案
    2.5 實(shí)驗(yàn)結(jié)果與分析
        2.5.1 數(shù)據(jù)集描述與實(shí)驗(yàn)設(shè)置
        2.5.2 實(shí)驗(yàn)結(jié)果
        2.5.3 實(shí)驗(yàn)分析
    2.6 本章小結(jié)
第3章 基于低秩表示的魯棒性特征子空間學(xué)習(xí)方法
    3.1 引言
    3.2 重構(gòu)樣本約束項(xiàng)
    3.3 基于低秩重構(gòu)樣本約束的魯棒特征子空間學(xué)習(xí)方法建模
    3.4 目標(biāo)函數(shù)的求解方案
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 數(shù)據(jù)集描述和實(shí)驗(yàn)設(shè)置
        3.5.2 實(shí)驗(yàn)結(jié)果
        3.5.3 訓(xùn)練樣本數(shù)對(duì)識(shí)別準(zhǔn)確率的影響
        3.5.4 實(shí)驗(yàn)分析
    3.6 本章小結(jié)
第4章 基于異質(zhì)特征聯(lián)合自表示的特征子空間與親和矩陣學(xué)習(xí)方法
    4.1 引言
    4.2 閾值嶺回歸與2DPCA模型分析
        4.2.1 閾值嶺回歸模型
        4.2.2 2DPCA模型
    4.3 基于異質(zhì)特征聯(lián)合自表示的學(xué)習(xí)模型建模
        4.3.1 基于2DPCA的投影空間學(xué)習(xí)方法建模
        4.3.2 異質(zhì)多模態(tài)聯(lián)合自表示學(xué)習(xí)方法建模
    4.4 基于異質(zhì)特征聯(lián)合自表示的模型求解
        4.4.1 求解目標(biāo)函數(shù)
        4.4.2 構(gòu)造親和矩陣
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 實(shí)驗(yàn)設(shè)置
        4.5.2 實(shí)驗(yàn)結(jié)果
        4.5.3 實(shí)驗(yàn)分析
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文
致謝



本文編號(hào)：3824257