隨著計(jì)算機(jī)科技、物理和傳感器技術(shù)、存儲(chǔ)技術(shù)、網(wǎng)絡(luò)技術(shù)的飛速發(fā)展,數(shù)據(jù)的膨脹日益加劇。手機(jī)隨時(shí)拍以及各種場(chǎng)合不同用途的監(jiān)控?cái)z像頭時(shí)時(shí)刻刻產(chǎn)生著海量圖像(視頻)數(shù)據(jù),各類智能移動(dòng)機(jī)器人的研究中也在不斷收集和積累著實(shí)驗(yàn)和測(cè)試圖像和視頻。從信號(hào)處理的角度來(lái)說,圖像是高維數(shù)據(jù),攜帶了大量復(fù)雜的信息和特征,如何對(duì)圖像數(shù)據(jù)進(jìn)行高效的分析識(shí)別從而加以合理利用,是目前亟待研究和解決的問題。稀疏表示是近年來(lái)提出的一種新穎的信號(hào)處理技術(shù),而壓縮感知為其奠定了工程應(yīng)用的理論基礎(chǔ)。目前稀疏表示已經(jīng)被廣泛的應(yīng)用于計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)等領(lǐng)域,并且取得了有益的成果。例如:圖像壓縮、圖像去噪、圖像超分辨率、圖像重建、圖像分類識(shí)別等等。本文對(duì)基于稀疏表示和深度學(xué)習(xí)的圖像識(shí)別算法及應(yīng)用進(jìn)行了深入的研究,主要工作概括如下:1.圖像稀疏表示和深度學(xué)習(xí)方法。概括并重新描述了圖像稀疏表示的基本框架、方法;重點(diǎn)研究和重新描述了壓縮感知的理論框架,包括信號(hào)的稀疏表示、觀測(cè)矩陣設(shè)計(jì)、信號(hào)重構(gòu)理論。同時(shí)對(duì)深度學(xué)習(xí)的基礎(chǔ)函數(shù)進(jìn)行描述和總結(jié)。2.提出了一種基于Log-Gabor的稀疏表示分類識(shí)別算法,通過將樣本數(shù)據(jù)的全局特征和局部特征信息進(jìn)行...

【文章頁(yè)數(shù)】：112 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 選題背景和意義
    1.2 國(guó)內(nèi)外相關(guān)研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容與創(chuàng)新點(diǎn)
第2章 圖像稀疏表示和深度學(xué)習(xí)方法
    2.1 壓縮感知
        2.1.1 基礎(chǔ)框架
        2.1.2 信號(hào)的稀疏表示
        2.1.3 觀測(cè)矩陣設(shè)計(jì)
        2.1.4 信號(hào)重構(gòu)
    2.2 稀疏表示
        2.2.1 稀疏表示數(shù)學(xué)基礎(chǔ)
        2.2.2 稀疏表示與壓縮感知的關(guān)系
    2.3 深度學(xué)習(xí)
        2.3.1 深度學(xué)習(xí)基礎(chǔ)知識(shí)
    2.4 本章小結(jié)
第3章 一種基于全局和局部特征融合的稀疏表示分類識(shí)別算法
    3.1 引言
    3.2 稀疏表示分解算法
        3.2.1 全局優(yōu)化算法
        3.2.2 貪婪算法
    3.3 一種基于Log-Gabor特征的稀疏表示分類算法
        3.3.1 Gabor特征分析
        3.3.2 Log-Gabor特征分析
        3.3.3 Log-Gabor特征提取
        3.3.4 Log-GSRC算法模型
    3.4 實(shí)驗(yàn)
        3.4.1 公共人臉數(shù)據(jù)集
        3.4.2 交通標(biāo)志數(shù)據(jù)集
        3.4.3 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第4章 一種基于字典學(xué)習(xí)的稀疏表示分類識(shí)別算法
    4.1 引言
    4.2 字典學(xué)習(xí)基礎(chǔ)
        4.2.1 字典學(xué)習(xí)數(shù)學(xué)基礎(chǔ)
        4.2.2 字典構(gòu)造方法
    4.3 字典學(xué)習(xí)訓(xùn)練算法
        4.3.1 最優(yōu)方向算法(Method of Optical Directions,MOD)
        4.3.2 在線字典學(xué)習(xí)算法(Online Dictionary Learning,ODL)
        4.3.3 K-SVD算法
    4.4 基于K-SVD字典學(xué)習(xí)的稀疏表示分類識(shí)別算法
        4.4.1 K-means均值算法
        4.4.2 K-SVD算法
        4.4.3 基于K-SVD字典學(xué)習(xí)的稀疏表示分類識(shí)別算法
    4.5 實(shí)驗(yàn)
        4.5.1 公共人臉數(shù)據(jù)集
        4.5.2 交通標(biāo)志樣本集
        4.5.3 實(shí)驗(yàn)結(jié)果
    4.6 本章小結(jié)
第5章 一種基于深度學(xué)習(xí)特征的稀疏表示分類識(shí)別算法
    5.1 引言
    5.2 圖像特征的表示方法
        5.2.1 基于全局特征的圖像表示方法
        5.2.2 基于局部特征的圖像表示方法
        5.2.3 基于深度學(xué)習(xí)特征的圖像表示方法
    5.3 深度學(xué)習(xí)特征的數(shù)學(xué)模型
        5.3.1 BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Networks)
        5.3.2 卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks)
        5.3.3 玻爾茲曼機(jī)(Boltzmann Machine)和受限玻爾茲曼機(jī)(Restricted Boltzmann Mechine)
        5.3.4 自動(dòng)編碼器(AutoEncoder)
        5.3.5 稀疏編碼和稀疏自編碼(Sparse Coding)
        5.3.6 深度置信網(wǎng)絡(luò)(Deep Belief Networks)
    5.4 基于深度學(xué)習(xí)特征的稀疏表示分類識(shí)別算法
        5.4.1 深度卷積神經(jīng)網(wǎng)絡(luò)
        5.4.2 深度卷積神經(jīng)網(wǎng)絡(luò)特征提取模型
        5.4.3 基于深度卷積神經(jīng)網(wǎng)絡(luò)特征的稀疏表示分類識(shí)別算法
    5.5 實(shí)驗(yàn)
        5.5.1 數(shù)據(jù)集
        5.5.2 實(shí)驗(yàn)結(jié)果
    5.6 本章小結(jié)
第6章 總結(jié)和展望
    6.1 主要工作和創(chuàng)新點(diǎn)
    6.2 下一步工作展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的其他研究成果



本文編號(hào)：3940968