面向特殊樣本形式的多視角學(xué)習(xí)問題及其解決方法

目錄
《博士后文庫(kù)》序言
前言
第1章 背景 1
第2章 主要問題 4
2.1 實(shí)時(shí)產(chǎn)生且信息可變 4
2.2 有效樣本信息不足 4
2.2.1 有標(biāo)簽樣本數(shù)目不足 5
2.2.2 信息缺失 5
2.3 多種樣本信息之間關(guān)聯(lián)復(fù)雜 5
2.4 問題展開及本書工作 6
第3章 半監(jiān)督在線多視圖學(xué)習(xí)機(jī) 8
3.1 引言 8
3.1.1 傳統(tǒng)多視圖學(xué)習(xí)及其問題 8
3.1.2 OPMV的提出 9
3.1.3 OPMV的問題 9
3.1.4 SSOPMV的提出 10
3.2 在線多視圖學(xué)習(xí) 10
3.2.1 OPMV 10
3.2.2 模型優(yōu)化 11
3.3 半監(jiān)督在線多視圖學(xué)習(xí)機(jī) 12
3.3.1 通過Universum創(chuàng)建額外無標(biāo)簽樣本 13
3.3.2 SSOPMV的實(shí)現(xiàn) 15
3.4 實(shí)驗(yàn) 16
3.4.1 實(shí)驗(yàn)設(shè)置 16
3.4.2 在不經(jīng)常更新的多視圖數(shù)據(jù)集上的測(cè)試準(zhǔn)確率比較 19
3.4.3 在經(jīng)常更新的多視圖數(shù)據(jù)集上的測(cè)試準(zhǔn)確率比較 21
3.4.4 不同的額外無標(biāo)簽樣本生成方法之間的比較 21
3.4.5 在線學(xué)習(xí)相關(guān)的學(xué)習(xí)機(jī)與整體存儲(chǔ)相關(guān)的學(xué)習(xí)機(jī)的對(duì)比 22
3.4.6 有標(biāo)簽樣本的百分比對(duì)學(xué)習(xí)機(jī)性能影響 24
3.4.7 ?t的影響 25
3.5 本章小結(jié) 26
第4章 具有可變特征和視圖的半監(jiān)督在線多視圖學(xué)習(xí)機(jī) 27
4.1 引言 27
4.1.1 傳統(tǒng)的多視圖學(xué)習(xí)機(jī)存在的問題 27
4.1.2 傳統(tǒng)多視圖學(xué)習(xí)機(jī)問題的解決方案 28
4.1.3 SOMVFV的提出、創(chuàng)新點(diǎn)、動(dòng)機(jī)和貢獻(xiàn) 29
4.2 相關(guān)工作 29
4.2.1 半監(jiān)督學(xué)習(xí)機(jī) 29
4.2.2 在線學(xué)習(xí)機(jī) 30
4.2.3 具有可變特征或視圖的多視圖學(xué)習(xí)機(jī) 30
4.3 具有可變特征和視圖的半監(jiān)督在線多視圖學(xué)習(xí) 31
4.4 實(shí)驗(yàn) 37
4.4.1 實(shí)驗(yàn)設(shè)置 37
4.4.2 在單視圖小規(guī)模數(shù)據(jù)集上分類性能的比較 41
4.4.3 在單視圖大規(guī)模數(shù)據(jù)集上分類性能的比較 43
4.4.4 在多視圖小規(guī)模數(shù)據(jù)集上分類性能的比較 45
4.4.5 在多視圖大規(guī)模數(shù)據(jù)集上分類性能的比較 47
4.5 本章小結(jié) 47
第5章 具有Universum的基于秩一致性的多視圖學(xué)習(xí) 49
5.1 引言 49
5.1.1 問題和解決方法 49
5.1.2 RANCU的提出和優(yōu)勢(shì) 49
5.2 實(shí)驗(yàn) 50
5.2.1 實(shí)驗(yàn)設(shè)置 50
5.2.2 實(shí)驗(yàn)內(nèi)容 51
5.3 本章小結(jié) 54
第6章 改進(jìn)的具有五層樣本信息的多矩陣學(xué)習(xí)機(jī) 55
6.1 引言 55
6.1.1 背景介紹 55
6.1.2 動(dòng)機(jī)和提出 55
6.1.3 貢獻(xiàn) 56
6.2 使用五種樣本信息提升多矩陣分類器性能 56
6.2.1 創(chuàng)建IBU樣本 56
6.2.2 IMMFI框架 57
6.3 實(shí)驗(yàn) 58
6.3.1 實(shí)驗(yàn)設(shè)置 58
6.3.2 分類性能的比較 59
6.3.3 驗(yàn)證IMMFI在跟蹤問題中的有效性 60
6.4 本章小結(jié) 60
第7章 基于權(quán)重的無標(biāo)簽多視圖數(shù)據(jù)集生成方法 62
7.1 引言 62
7.1.1 背景介紹 62
7.1.2 提出、動(dòng)機(jī)和貢獻(xiàn) 63
7.2 基于權(quán)重的未知標(biāo)簽多視圖數(shù)據(jù)集生成方法 63
7.2.1 基于WMVC獲得視圖和特征的權(quán)重 63
7.2.2 獲得每個(gè)已知標(biāo)簽的多視圖樣本的相似樣本 64
7.2.3 生成可行的未知標(biāo)簽的多視圖數(shù)據(jù)集 65
7.3 實(shí)驗(yàn) 66
7.3.1 實(shí)驗(yàn)設(shè)置 66
7.3.2 現(xiàn)實(shí)數(shù)據(jù)集的性能比較 66
7.4 本章小結(jié) 74
第8章 基于權(quán)重和Universum的半監(jiān)督多視圖學(xué)習(xí)機(jī) 76
8.1 引言 76
8.1.1 重要性體現(xiàn) 76
8.1.2 研究問題 77
8.1.3 研究目標(biāo) 78
8.1.4 WUSM模型的提出、動(dòng)機(jī)和獨(dú)創(chuàng)性 79
8.1.5 貢獻(xiàn) 79
8.2 相關(guān)工作 80
8.2.1 半監(jiān)督多視圖學(xué)習(xí)機(jī) 80
8.2.2 Universum學(xué)習(xí) 80
8.2.3 構(gòu)造Universum集的方法 81
8.3 基于權(quán)重和Universum的半監(jiān)督多視圖學(xué)習(xí)機(jī) 81
8.3.1 構(gòu)建WUSM的步驟 81
8.3.2 視圖和特征的應(yīng)用 83
8.3.3 計(jì)算復(fù)雜度分析 83
8.3.4 收斂性 83
8.3.5 WUSM的優(yōu)勢(shì) 84
8.4 實(shí)驗(yàn) 84
8.4.1 實(shí)驗(yàn)設(shè)置 84
8.4.2 不同應(yīng)用間性能比較 86
8.5 本章小結(jié) 88
第9章 新的具有不完整數(shù)據(jù)的多視圖學(xué)習(xí)機(jī) 90
9.1 引言 90
9.1.1 背景介紹 90
9.1.2 經(jīng)典的學(xué)習(xí)機(jī) 90
9.1.3 問題 91
9.1.4 相應(yīng)的解決方案 91
9.1.5 貢獻(xiàn) 91
9.2 MVL-IV框架 92
9.3 具有不完整數(shù)據(jù)的多視圖學(xué)習(xí)機(jī) 92
9.3.1 數(shù)據(jù)準(zhǔn)備 92
9.3.2 目標(biāo)及模型 93
9.3.3 模型實(shí)現(xiàn) 94
9.3.4 *終流程 95
9.4 實(shí)驗(yàn) 96
9.4.1 實(shí)驗(yàn)設(shè)置 96
9.4.2 回歸問題的比較 97
9.4.3 關(guān)于二分排名問題的比較 102
9.4.4 關(guān)于圖像搜索問題的比較 103
9.4.5 計(jì)算復(fù)雜度比較 105
9.5 本章小結(jié) 107
第10章 具有不完整視圖和標(biāo)簽的多視圖多標(biāo)簽學(xué)習(xí) 108
10.1 引言 108
10.1.1 多視圖多標(biāo)簽數(shù)據(jù)集 108
10.1.2 傳統(tǒng)的多視圖多標(biāo)簽學(xué)習(xí)機(jī)存在的問題及解決方案 108
10.1.3 目標(biāo) 110
10.1.4 獨(dú)創(chuàng)性和貢獻(xiàn) 110
10.2 具有不完整視圖和標(biāo)簽的多視圖多標(biāo)簽學(xué)習(xí) 111
10.2.1 數(shù)據(jù)準(zhǔn)備 111
10.2.2 具有標(biāo)簽特定特征的多視圖多標(biāo)簽學(xué)習(xí) 111
10.2.3 具有不完整標(biāo)簽的多視圖多標(biāo)簽學(xué)習(xí) 112
10.2.4 具有不完整視圖的多視圖多標(biāo)簽學(xué)習(xí) 112
10.2.5 具有全局和局部關(guān)聯(lián)的多視圖多標(biāo)簽學(xué)習(xí) 113
10.2.6 基于不同視圖補(bǔ)充信息的多視圖多標(biāo)簽學(xué)習(xí) 114
10.2.7 MVML-IVL*終的目標(biāo)函數(shù) 114
10.2.8 實(shí)現(xiàn) 114
10.3 實(shí)驗(yàn) 115
10.3.1 實(shí)驗(yàn)設(shè)置 115
10.3.2 實(shí)驗(yàn)結(jié)果 119
10.4 本章小結(jié) 123
第11章 基于權(quán)重的典型稀疏跨視圖關(guān)聯(lián)分析 124
11.1 引言 124
11.1.1 背景介紹 124
11.1.2 動(dòng)機(jī) 125
11.1.3 貢獻(xiàn) 126
11.2 相關(guān)工作 126
11.2.1 典型的稀疏跨視圖關(guān)聯(lián)分析 126
11.2.2 全局和局部典型關(guān)聯(lián)分析 127
11.3 基于權(quán)重的典型稀疏跨視圖關(guān)聯(lián)分析 128
11.3.1 基于權(quán)重的典型稀疏跨視圖關(guān)聯(lián)分析 128
11.3.2 核化的WCSCCA 130
11.4 實(shí)驗(yàn) 131
11.4.1 實(shí)驗(yàn)設(shè)置 131
11.4.2 在多特征數(shù)據(jù)集上性能比較 133
11.4.3 在面部數(shù)據(jù)集上性能比較 137
11.5 本章小結(jié) 140
第12章 全局和局部多視圖多標(biāo)簽學(xué)習(xí) 142
12.1 引言 142
12.1.1 三種經(jīng)典數(shù)據(jù)集 142
12.1.2 傳統(tǒng)解決方案 142
12.1.3 存在問題 144
12.1.4 相應(yīng)解決方案 144
12.1.5 獨(dú)創(chuàng)性及貢獻(xiàn) 144
12.2 全局和局部多視圖多標(biāo)簽學(xué)習(xí) 144
12.2.1 數(shù)據(jù)準(zhǔn)備 144
12.2.2 框架 145
12.2.3 解決方案 148
12.2.4 計(jì)算復(fù)雜度 149
12.3 實(shí)驗(yàn) 149
12.3.1 實(shí)驗(yàn)設(shè)置 149
12.3.2 實(shí)驗(yàn)結(jié)果 150
12.4 本章小結(jié) 159
第13章 當(dāng)前工作的不足 160
第14章 未來的可研究方向 162
14.1 有約束多關(guān)聯(lián)信息衡量算法 162
14.2 基于量質(zhì)平衡模型及信息熵的信息增強(qiáng)算法 162
14.3 基于可變信息的多視圖在線學(xué)習(xí)機(jī) 163
參考文獻(xiàn) 165
編后記 189
彩圖