數(shù)據(jù)分析的結(jié)構(gòu)化表征學(xué)習(xí)

定　價(jià)：￥149.00

作　者：	張正，徐勇，盧光明著
出版社：	人民郵電出版社
叢編項(xiàng)：	電子信息前沿專著系列
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787115584014	出版時(shí)間：	2022-11-01	包裝：	精裝
開本：	16開	頁數(shù)：	238	字?jǐn)?shù)：

內(nèi)容簡介

　　結(jié)構(gòu)化表征學(xué)習(xí)是機(jī)器學(xué)習(xí)研究的核心問題之一，旨在探索如何從高維可觀測數(shù)據(jù)中獲取有效的結(jié)構(gòu)化信息表示，以實(shí)現(xiàn)高精度、魯棒、快速的數(shù)據(jù)分析，是由數(shù)據(jù)到知識(shí)的關(guān)鍵渠道。本書重點(diǎn)介紹如何從具有不確定性的海量大媒體數(shù)據(jù)中挖掘和提取結(jié)構(gòu)化、魯棒、高效的特征，并實(shí)現(xiàn)高性能的信息挖掘和知識(shí)推斷。本書內(nèi)容包含近年來涌現(xiàn)的一些高效、魯棒的結(jié)構(gòu)化表征學(xué)習(xí)模型，介紹了基于魯棒且緊湊的表征學(xué)習(xí)的一體化表征學(xué)習(xí)理論和方法，并為應(yīng)對(duì)真實(shí)世界中的數(shù)據(jù)分析任務(wù)，如數(shù)據(jù)簡約特征表達(dá)、緊湊特征壓縮、有效特征篩選以及隱含知識(shí)挖掘等，提供了較為全面且切實(shí)可靠的解決方案。本書作者所在的團(tuán)隊(duì)多年來一直從事機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、多媒體分析的研究，承擔(dān)過眾多***和省部級(jí)科研項(xiàng)目，具備從理論研究到工程應(yīng)用的相關(guān)基礎(chǔ)。本書是對(duì)作者近五年研究成果的總結(jié)和梳理，書中介紹的理論和方法能夠很好地和實(shí)際應(yīng)用結(jié)合在一起，行文流暢易讀，適合具有一定專業(yè)基礎(chǔ)的高年級(jí)本科生、研究生，以及相關(guān)領(lǐng)域的科研工作者和工程師閱讀。

作者簡介

　　張正，哈爾濱工業(yè)大學(xué)（深圳）副教授、博士生導(dǎo)師，深圳市視覺目標(biāo)檢測與判識(shí)重點(diǎn)實(shí)驗(yàn)室副主任，IEEE會(huì)員，深圳市海外高層次人才。研究方向?yàn)闄C(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺和多媒體分析，已發(fā)表學(xué)術(shù)論文100 多篇。博士論文入選中國電子學(xué)會(huì)優(yōu)秀博士學(xué)位論文。擔(dān)任多個(gè)期刊編委和會(huì)議領(lǐng)域主席及高級(jí)程序委員會(huì)委員。徐勇，哈爾濱工業(yè)大學(xué)（深圳）教授、博士生導(dǎo)師，長江學(xué)者特聘教授。研究方向?yàn)槟Ｊ阶R(shí)別、生物特征識(shí)別、圖像處理、深度學(xué)習(xí)、生物信息學(xué)。發(fā)表JCR 一區(qū)論文100 余篇，近5年連續(xù)入選Elsevier中國高被引學(xué)者，并入選“廣東省特支計(jì)劃”“鵬城學(xué)者計(jì)劃”“新世紀(jì)優(yōu)秀人才支持計(jì)劃”等人才計(jì)劃。盧光明，哈爾濱工業(yè)大學(xué)（深圳）教授、博士生導(dǎo)師、計(jì)算機(jī)學(xué)院副院長，深圳市高層次人才。研究方向?yàn)闄C(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、醫(yī)學(xué)圖像信號(hào)處理，曾獲黑龍江省自然科學(xué)一等獎(jiǎng)等獎(jiǎng)項(xiàng)，獲發(fā)明專利授權(quán)近20 項(xiàng)，出版國際學(xué)術(shù)專著2 部，發(fā)表學(xué)術(shù)論文100 余篇。

圖書目錄

第 1 章緒論 1
1．1 表征學(xué)習(xí)的概念 1
1．2 結(jié)構(gòu)化表征學(xué)習(xí)基礎(chǔ) 2
1．2．1 結(jié)構(gòu)化表征學(xué)習(xí)的基礎(chǔ)理論和方法 2
1．2．2 結(jié)構(gòu)化表征學(xué)習(xí)的應(yīng)用 7
參考文獻(xiàn) 8
第 2 章塊對(duì)角低秩表征學(xué)習(xí) 11
2．1 低秩表征學(xué)習(xí)方法 12
2．2 塊對(duì)角低秩表征學(xué)習(xí)的方法設(shè)計(jì) 13
2．3 塊對(duì)角低秩表征學(xué)習(xí)的優(yōu)化算法 15
2．4 識(shí)別算法的設(shè)計(jì) 18
2．5 塊對(duì)角低秩表征學(xué)習(xí)的算法分析 19
2．5．1 收斂性分析 19
2．5．2 計(jì)算時(shí)間復(fù)雜度 20
2．5．3 新樣本預(yù)測檢驗(yàn) 20
2．6 與現(xiàn)有低秩表征學(xué)習(xí)方法的關(guān)系 22
2．6．1 與非負(fù)低秩表征稀疏方法的關(guān)系 22
2．6．2 與結(jié)構(gòu)化稀疏低秩表征方法的關(guān)系 23
2．6．3 與監(jiān)督正則化魯棒子空間方法的關(guān)系 24
2．7 實(shí)驗(yàn)驗(yàn)證 24
2．7．1 實(shí)驗(yàn)設(shè)置 24
2．7．2 在人臉識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果 25
2．7．3 在字符識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果 28
2．7．4 在場景識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果 30
2．7．5 優(yōu)勢分析 30
2．7．6 算法收斂性實(shí)驗(yàn)驗(yàn)證 32
2．7．7 算法參數(shù)敏感性經(jīng)驗(yàn)分析 32
2．8 本章小結(jié) 33
參考文獻(xiàn) 34
第3 章判別性彈性網(wǎng)正則化回歸表征學(xué)習(xí) 38
3．1 最小二乘回歸方法 39
3．2 基于彈性網(wǎng)正則化的回歸表征學(xué)習(xí)模型 40
3．2．1 一種普適的彈性網(wǎng)正則化回歸表征學(xué)習(xí)框架 40
3．2．2 判別性彈性網(wǎng)正則化回歸表征學(xué)習(xí)模型 42
3．2．3 判別性彈性網(wǎng)正則化回歸表征學(xué)習(xí)的快速模型 43
3．3 模型優(yōu)化求解和算法分類模型 44
3．3．1 模型的優(yōu)化求解 44
3．3．2 判別性回歸表征空間的構(gòu)造和算法分類模型 47
3．4 算法分析 48
3．4．1 與經(jīng)典回歸模型的關(guān)系 48
3．4．2 時(shí)間復(fù)雜度和收斂性分析 48
3．5 實(shí)驗(yàn)驗(yàn)證 50
3．5．1 對(duì)比方法與實(shí)驗(yàn)設(shè)置 50
3．5．2 在人臉識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果 51
3．5．3 在物體識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果 55
3．5．4 在場景識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果 55
3．5．5 與傳統(tǒng)的回歸表征學(xué)習(xí)模型進(jìn)行對(duì)比分析 56
3．5．6 優(yōu)化算法的收斂條件和參數(shù)敏感性經(jīng)驗(yàn)分析 57
3．5．7 算法效率分析 59
3．6 本章小結(jié) 60
參考文獻(xiàn) 61
第4 章邊緣結(jié)構(gòu)化表征學(xué)習(xí) 64
4．1 判別性最小二乘回歸方法 65
4．2 邊緣結(jié)構(gòu)化表征學(xué)習(xí)模型 66
4．2．1 損失函數(shù) 66
4．2．2 算法復(fù)雜度正則項(xiàng) 67
4．2．3 自適應(yīng)流形結(jié)構(gòu)學(xué)習(xí) 68
4．3 邊緣結(jié)構(gòu)化表征學(xué)習(xí)算法的優(yōu)化策略 70
4．3．1 求解優(yōu)化變量W、A 和B 70
4．3．2 求解優(yōu)化變量R 71
4．3．3 求解優(yōu)化變量P 72
4．4 半監(jiān)督學(xué)習(xí)模型的擴(kuò)展 74
4．5 邊緣結(jié)構(gòu)化表征學(xué)習(xí)的算法分析 74
4．5．1 優(yōu)化算法收斂性的理論分析 74
4．5．2 計(jì)算復(fù)雜度 75
4．6 實(shí)驗(yàn)驗(yàn)證 75
4．6．1 實(shí)驗(yàn)設(shè)置 76
4．6．2 在物體識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果 77
4．6．3 在人臉識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果 79
4．6．4 在紋理識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果 81
4．6．5 在場景識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果 82
4．6．6 識(shí)別性能對(duì)比分析 83
4．6．7 算法參數(shù)敏感性經(jīng)驗(yàn)分析 85
4．6．8 算法收斂性實(shí)驗(yàn)驗(yàn)證 87
4．6．9 效率對(duì)比分析 88
4．7 本章小結(jié) 89
參考文獻(xiàn) 89
第5 章基于聯(lián)合學(xué)習(xí)的二值多視圖表征學(xué)習(xí) 93
5．1 二值多視圖表征學(xué)習(xí)框架 95
5．1．1 二值多視圖聚類模型 95
5．1．2 高效的可擴(kuò)展多視圖圖像聚類分析模型 96
5．2 高效的可擴(kuò)展多視圖圖像聚類算法 99
5．3 高效的可擴(kuò)展多視圖圖像聚類算法分析 102
5．3．1 收斂性分析 102
5．3．2 復(fù)雜度分析 103
5．4 實(shí)驗(yàn)驗(yàn)證 103
5．4．1 數(shù)據(jù)集和評(píng)估標(biāo)準(zhǔn) 103
5．4．2 中等規(guī)模多視圖數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證 104
5．4．3 大規(guī)模多視圖數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證 107
5．4．4 經(jīng)驗(yàn)性分析 108
5．4．5 可視化分析 113
5．5 本章小結(jié) 115
參考文獻(xiàn) 116
第6 章基于靈活局部結(jié)構(gòu)擴(kuò)散的廣義不完整多視圖聚類 120
6．1 多視圖聚類方法 122
6．1．1 部分多視圖聚類 122
6．1．2 多個(gè)不完整視圖聚類 123
6．2 基于靈活局部結(jié)構(gòu)擴(kuò)散的廣義不完整多視圖聚類模型 123
6．2．1 單視圖個(gè)體表征學(xué)習(xí) 124
6．2．2 多視圖一致性表征學(xué)習(xí) 125
6．2．3 自適應(yīng)加權(quán)多視圖學(xué)習(xí) 126
6．2．4 GIMC_FLSD 的總體目標(biāo)函數(shù) 126
6．3 GIMC_FLSD 的優(yōu)化算法 127
6．4 GIMC_FLSD 的理論分析 129
6．4．1 計(jì)算復(fù)雜度 129
6．4．2 收斂性分析 130
6．4．3 與其他方法的聯(lián)系 130
6．5 實(shí)驗(yàn)驗(yàn)證 131
6．5．1 實(shí)驗(yàn)配置 131
6．5．2 實(shí)驗(yàn)結(jié)果和分析 133
6．5．3 時(shí)間復(fù)雜度分析 137
6．5．4 參數(shù)靈敏度分析 139
6．5．5 收斂性分析 142
6．6 本章小結(jié) 143
參考文獻(xiàn) 143
第7 章可擴(kuò)展的監(jiān)督非對(duì)稱哈希學(xué)習(xí) 148
7．1 哈希學(xué)習(xí)方法 149
7．2 可擴(kuò)展的監(jiān)督非對(duì)稱哈希學(xué)習(xí)模型 151
7．2．1 問題定義 151
7．2．2 方法解析 152
7．3 可擴(kuò)展的監(jiān)督非對(duì)稱哈希表征學(xué)習(xí)的優(yōu)化算法 154
7．3．1 交替優(yōu)化方法 154
7．3．2 收斂性分析 158
7．3．3 算法的樣本外擴(kuò)展問題 158
7．4 實(shí)驗(yàn)驗(yàn)證 159
7．4．1 實(shí)驗(yàn)數(shù)據(jù) 159
7．4．2 實(shí)驗(yàn)設(shè)置 160
7．4．3 在CIFAR-10 圖像檢索數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 161
7．4．4 在Caltech-256 目標(biāo)檢索數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 165
7．4．5 在SUN-397 場景檢索數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 167
7．4．6 在ImageNet 大規(guī)模數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 169
7．4．7 在NUS-WIDE 多實(shí)例數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 171
7．4．8 實(shí)驗(yàn)分析和討論 173
7．5 本章小結(jié) 175
參考文獻(xiàn) 175
第8 章深度語義協(xié)同哈希學(xué)習(xí) 181
8．1 哈希學(xué)習(xí)方法 182
8．2 深度語義協(xié)同哈希學(xué)習(xí)模型 184
8．2．1 問題定義 184
8．2．2 特征嵌入網(wǎng)絡(luò) 185
8．2．3 類別編碼網(wǎng)絡(luò) 186
8．2．4 構(gòu)建語義不變結(jié)構(gòu) 186
8．2．5 協(xié)同學(xué)習(xí) 187
8．3 深度語義協(xié)同哈希學(xué)習(xí)的優(yōu)化算法設(shè)計(jì) 187
8．3．1 訓(xùn)練策略分析 187
8．3．2 樣本擴(kuò)展問題 188
8．4 實(shí)驗(yàn)驗(yàn)證 188
8．4．1 實(shí)驗(yàn)設(shè)置 189
8．4．2 評(píng)估標(biāo)準(zhǔn) 189
8．4．3 在NUS-WIDE 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 189
8．4．4 在MIRFlickr 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 193
8．4．5 在CIFAR-10 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 196
8．4．6 子模塊分析 198
8．4．7 參數(shù)敏感性分析和可視化結(jié)果 199
8．5 本章小結(jié) 200
參考文獻(xiàn) 201
第9 章判別性費(fèi)希爾嵌入字典學(xué)習(xí) 205
9．1 相關(guān)工作 207
9．1．1 符號(hào)定義 207
9．1．2 畫像定義 207
9．1．3 FDDL 算法 208
9．2 判別性費(fèi)希爾嵌入字典學(xué)習(xí)算法 209
9．2．1 判別性費(fèi)希爾原子嵌入模型 209
9．2．2 判別性費(fèi)希爾系數(shù)嵌入模型 210
9．2．3 DFEDL 算法的目標(biāo)函數(shù) 211
9．3 判別性費(fèi)希爾嵌入字典學(xué)習(xí)的優(yōu)化算法 211
9．4 算法對(duì)比與分析 213
9．4．1 DFEDL 算法與FDDL 算法的關(guān)系 214
9．4．2 時(shí)間復(fù)雜度分析 215
9．4．3 收斂性分析 215
9．5 實(shí)驗(yàn)驗(yàn)證 216
9．5．1 實(shí)驗(yàn)配置 216
9．5．2 數(shù)據(jù)集描述 217
9．5．3 在深度特征數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 218
9．5．4 在手工數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 219
9．5．5 實(shí)驗(yàn)結(jié)果分析 221
9．5．6 參數(shù)敏感性分析 222
9．5．7 實(shí)驗(yàn)收斂性分析 223
9．5．8 不同原子數(shù)的影響 223
9．5．9 與深度學(xué)習(xí)模型的對(duì)比 224
9．6 本章小結(jié) 226
參考文獻(xiàn) 227
附錄 234
附錄A 引理9-1 及其證明過程 234
附錄B 引理9-2 及其證明過程 236
附錄C 定理9-1 及其證明過程 237