隨著信息采集技術(shù)的迅猛發(fā)展,多視圖數(shù)據(jù)在實(shí)際應(yīng)用中隨處可見。如何從多視圖數(shù)據(jù)中提取有用信息成為目前模式識(shí)別領(lǐng)域的研究熱點(diǎn)。不同視圖反映了物體的不同特性,并且互為補(bǔ)充。因此,有效地融合不同視圖信息,學(xué)習(xí)多視圖數(shù)據(jù)潛在的低維表示,可以獲得對物體的深刻認(rèn)識(shí),對于后續(xù)數(shù)據(jù)分析性能的改善、學(xué)習(xí)算法復(fù)雜度的縮減至關(guān)重要。本文從多視圖共享子空間學(xué)習(xí)的角度入手,圍繞多視圖數(shù)據(jù)的特性如維度高、噪音大、各視圖數(shù)據(jù)存在差異性、相關(guān)性等,開展完整多視圖數(shù)據(jù)表示學(xué)習(xí)研究、不完整多視圖數(shù)據(jù)表示學(xué)習(xí)研究。主要?jiǎng)?chuàng)新點(diǎn)包括:(1)針對目前大部分的多視圖學(xué)習(xí)方法通常假設(shè)各視圖數(shù)據(jù)相互獨(dú)立、對最終語義表示的貢獻(xiàn)是等同的,忽略各視圖之間的關(guān)聯(lián)性和差異性的問題,提出了一種有效的完整多視圖數(shù)據(jù)表示學(xué)習(xí)方法(tRLMvC)。該方法由兩部分組成:多視圖數(shù)據(jù)的自表示張量學(xué)習(xí)和Tucker分解自表示張量。前者首先設(shè)計(jì)三階張量表示原始多視圖數(shù)據(jù),然后利用具有循環(huán)卷積功能的t-product操作學(xué)習(xí)自表示張量,以便深入探索多視圖數(shù)據(jù)間的相關(guān)性,包括同一視圖內(nèi)樣本間的相關(guān)性,及不同視圖間的關(guān)聯(lián)性。后者引用Tucker分解以便在量化各視圖的重要...

【文章頁數(shù)】：104 頁

【學(xué)位級別】：博士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景和意義
    1.2 關(guān)鍵科學(xué)問題
    1.3 本文主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
2 相關(guān)工作概述
    2.1 基于子空間的多視圖數(shù)據(jù)表示學(xué)習(xí)
        2.1.1 完整多視圖數(shù)據(jù)表示學(xué)習(xí)
        2.1.2 不完整多視圖數(shù)據(jù)表示學(xué)習(xí)
    2.2 張量及其基本運(yùn)算
    2.3 ADMM優(yōu)化框架
3 完整多視圖數(shù)據(jù)表示學(xué)習(xí)
    3.1 引言
    3.2 相關(guān)工作
    3.3 完整多視圖數(shù)據(jù)表示學(xué)習(xí)模型
        3.3.1 符號(hào)標(biāo)記
        3.3.2 自表示張量學(xué)習(xí)
        3.3.3 低維表示學(xué)習(xí)
    3.4 優(yōu)化求解
        3.4.1 更新Z
        3.4.2 更新β、U、V及W
        3.4.3 時(shí)間復(fù)雜度分析
    3.5 實(shí)驗(yàn)結(jié)果及分析
        3.5.1 數(shù)據(jù)集
        3.5.2 對比方法
        3.5.3 參數(shù)的影響
        3.5.4 與相關(guān)工作的對比實(shí)驗(yàn)
        3.5.5 tRLMvC性能分析
        3.5.6 tRLMvC收斂性分析
    3.6 本章小節(jié)
4 不完整跨視圖哈希表示學(xué)習(xí)
    4.1 引言
    4.2 相關(guān)工作
    4.3 不完整跨視圖哈希學(xué)習(xí)模型
        4.3.1 問題描述
        4.3.2 模型構(gòu)建
        4.3.3 優(yōu)化算法
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 數(shù)據(jù)集
        4.4.2 對比方法
        4.4.3 評價(jià)指標(biāo)
        4.4.4 實(shí)驗(yàn)結(jié)果及分析
    4.5 本章小結(jié)
5 多視圖數(shù)據(jù)特征重要性和表示學(xué)習(xí)
    5.1 引言
    5.2 相關(guān)工作
    5.3 加權(quán)多視圖數(shù)據(jù)表示學(xué)習(xí)方法
        5.3.1 模型介紹
        5.3.2 優(yōu)化過程
    5.4 實(shí)驗(yàn)結(jié)果及分析
        5.4.1 數(shù)據(jù)集和對比方法
        5.4.2 性能評估
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3874827