一、高維空間下求解MDA的擾動(dòng)算法及其在人臉識(shí)別中的應(yīng)用（論文文獻(xiàn)綜述）
任捷怡[1]（2020）在《基于黎曼流形的圖像分類方法研究》文中研究表明在機(jī)器學(xué)習(xí)與計(jì)算機(jī)視覺領(lǐng)域的各種任務(wù)中,對(duì)數(shù)據(jù)表示方法的要求正逐漸提高。人們希望用一種體積緊湊且判別性高的模型來對(duì)蘊(yùn)含龐大信息的數(shù)據(jù)進(jìn)行表示,同時(shí)這種表示方法還應(yīng)當(dāng)盡可能地對(duì)各種變化情況具有魯棒性。在這樣的背景下,研究者們逐漸把注意力從傳統(tǒng)的歐氏空間轉(zhuǎn)移到了非線性流形上。近年來,計(jì)算機(jī)視覺界對(duì)黎曼流形的關(guān)注已經(jīng)大大增加,并出現(xiàn)了一大批重要的應(yīng)用,包括人臉識(shí)別,動(dòng)作識(shí)別,聚類,視覺跟蹤以及運(yùn)動(dòng)分組與分割等。黎曼流形的日益普及是因?yàn)槠涮厥獾姆蔷€性空間結(jié)構(gòu)對(duì)圖像特征表示具有重要的意義。在諸多不同類型的黎曼流形中,對(duì)稱正定矩陣流形因?yàn)槠渫陚涞膸缀涡再|(zhì)與度量計(jì)算成為了用于表示圖像的一種自然而合理的方法。本文以對(duì)稱正定矩陣流形為研究中心,對(duì)基于黎曼流形的圖像分類問題開展相關(guān)研究。計(jì)算目標(biāo)數(shù)據(jù)的符合對(duì)稱正定矩陣流形幾何的協(xié)方差矩陣是目前最為常用的一種基于黎曼流形的數(shù)據(jù)表示方法,而我們針對(duì)常規(guī)協(xié)方差矩陣在圖像分類問題中的若干不足進(jìn)行分析,提出不同的改進(jìn)方法來實(shí)現(xiàn)對(duì)圖像特征的高效表示。本文中所開展的主要工作可以概括如下:（1）提出了一種基于二維化圖像表示的圖像集協(xié)方差矩陣。相比由一維圖像向量計(jì)算的協(xié)方差矩陣而言,我們?cè)O(shè)計(jì)了兩種方法來充分利用二維化圖像表示的優(yōu)勢(shì)。經(jīng)過改進(jìn)后的圖像集協(xié)方差維數(shù)得到顯著降低,從而節(jié)約大量的運(yùn)算時(shí)間并在很大程度上緩解協(xié)方差矩陣欠正定問題。我們將這一方法應(yīng)用到人臉識(shí)別,物體分類等圖像集分類問題上,驗(yàn)證了其有效性。（2）提出了一種利用特定特征映射來對(duì)無窮維對(duì)稱正定矩陣進(jìn)行低維向量估計(jì)的方法。無窮維對(duì)稱正定矩陣相比低維對(duì)稱正定矩陣在圖像分類問題中往往具有更好的性能表現(xiàn),但同時(shí)也存在應(yīng)用困難,計(jì)算復(fù)雜度高等問題。我們通過對(duì)無窮維對(duì)稱正定矩陣流形核函進(jìn)行直接估計(jì)來獲得無窮維協(xié)方差矩陣的低維近似向量,并在材質(zhì)識(shí)別,病毒分類,人臉識(shí)別等圖像分類問題上驗(yàn)證了其有效性。（3）在模塊化思想的基礎(chǔ)上,將圖像集的流形表示由一個(gè)單獨(dú)的協(xié)方差矩陣替換為一組低維子協(xié)方差矩陣的集合,進(jìn)而構(gòu)建出一種新穎的塊對(duì)角協(xié)方差矩陣。我們針對(duì)不同類型的圖像特征采取兩種方法來計(jì)算圖像集的子協(xié)方差矩陣,而新的塊對(duì)角協(xié)方差矩陣在判別性與計(jì)算復(fù)雜度方面相比常規(guī)協(xié)方差矩陣均有明顯優(yōu)勢(shì)。為了驗(yàn)證這一方法的有效性,我們?cè)谖矬w分類,場(chǎng)景識(shí)別,人臉識(shí)別等圖像集分類問題中進(jìn)行了對(duì)比分析并最終得到了滿意的結(jié)果。（4）對(duì)稱正定矩陣的降維方法是通過學(xué)習(xí)一個(gè)從高維流形到低維流形的映射來增強(qiáng)對(duì)稱正定矩陣的判別性,而尋找這一映射的過程可以視為格拉斯曼流形上的一個(gè)優(yōu)化問題。我們根據(jù)非參數(shù)化估計(jì)的相關(guān)理論提出了一種基于概率分布的對(duì)稱正定矩陣降維方法,通過對(duì)流形上的概率密度函數(shù)進(jìn)行估計(jì)來計(jì)算一個(gè)用于描述流形結(jié)構(gòu)信息的關(guān)系函數(shù),從而達(dá)到最佳的流形降維效果。最后我們?cè)谖矬w分類,紋理識(shí)別,人臉識(shí)別,場(chǎng)景分類等問題上驗(yàn)證了這一方法的有效性。
喬慧[2]（2020）在《非線性角度2DPCA及其在人臉識(shí)別中的應(yīng)用》文中研究指明隨著科技的不斷發(fā)展,人臉識(shí)別在國防、商業(yè)以及日常生活中發(fā)揮著越來越重要的作用。所謂人臉識(shí)別就是提取圖像特征并對(duì)圖像進(jìn)行鑒別分類,其中最為關(guān)鍵的步驟是特征提取。主成分分析（PCA）作為經(jīng)典的特征提取方法在人臉識(shí)別領(lǐng)域具有成功的應(yīng)用。其中,非線性二維主成分分析（K2DPCA）能夠刻畫圖像的非線性特征,同時(shí)保留原始圖像的二維數(shù)據(jù)結(jié)構(gòu)和領(lǐng)域信息。然而,K2DPCA存在一些缺點(diǎn):一方面,K2DPCA由于采用歐式距離的平方來度量數(shù)據(jù)之間的相似度,過分強(qiáng)調(diào)了分布較遠(yuǎn)的數(shù)據(jù),導(dǎo)致該方法對(duì)異常值（圖片的遮擋、噪聲等）比較敏感;另一方面,由于在非線性空間中核矩陣的規(guī)模是由樣本決定的,當(dāng)樣本規(guī)模較大時(shí)核矩陣規(guī)模成倍增加,導(dǎo)致K2DPCA求解困難。針對(duì)以上問題,本文對(duì)K2DPCA的魯棒性和計(jì)算復(fù)雜度兩個(gè)方向進(jìn)行深入研究,概括如下:針對(duì)非線性2DPCA對(duì)異常值敏感這一問題,本文提出了非線性角度2DPCA（SinK2DPCA）。它是基于角度2DPCA的非線性推廣,Sin-K2DPCA既保持了旋轉(zhuǎn)不變性,同時(shí)提高了對(duì)異常值的魯棒性。該方法采用F范數(shù)作為度量,同時(shí)考慮重構(gòu)誤差與樣本的線性關(guān)系,將數(shù)據(jù)非線性映射到高維空間后,極小化它的相對(duì)重構(gòu)誤差,從而得到投影矩陣。這樣獲得的低維投影能更準(zhǔn)確地描述人臉信息,并且在一定程度上克服了噪聲的影響。在人臉數(shù)據(jù)庫ORL和CUM PIE上的實(shí)驗(yàn)結(jié)果也證明了該方法顯著提高了K2DPCA的魯棒性。Sin-K2DPCA在應(yīng)用到大規(guī)模數(shù)據(jù)時(shí),由于核矩陣規(guī)模較大導(dǎo)致計(jì)算復(fù)雜度過高、存儲(chǔ)空間過大,從而不能有效地實(shí)現(xiàn)數(shù)據(jù)降維。為進(jìn)一步優(yōu)化非線性2DPCA的計(jì)算復(fù)雜度,我們提出了一種基于Cholesky分解方法的優(yōu)化算法Chol+Sin K2DPCA。它是對(duì)Sin-K2DPCA的改進(jìn),不僅具有魯棒性,同時(shí)節(jié)省了計(jì)算時(shí)間與存儲(chǔ)空間。該方法利用選主元的Cholesky分解技巧,對(duì)大規(guī)模的核矩陣低秩近似,避免計(jì)算整個(gè)核矩陣,降低了計(jì)算復(fù)雜度,節(jié)省了存儲(chǔ)空間。在中小規(guī)模數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,Chol+Sin K2DPCA方法在選主元的過程中,可以降低算法對(duì)噪聲的敏感性;在大規(guī)模數(shù)集上的實(shí)驗(yàn)結(jié)果表明,此方法克服了經(jīng)典K2DPCA方法由于核矩陣規(guī)模過大不能有效實(shí)現(xiàn)的問題。
羅宇恒[3]（2020）在《基于機(jī)器學(xué)習(xí)的人臉圖像認(rèn)證保護(hù)方法研究》文中進(jìn)行了進(jìn)一步梳理近年來,深度神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域已經(jīng)得到了廣泛的發(fā)展和應(yīng)用,其在人臉識(shí)別領(lǐng)域已經(jīng)與人類視覺的識(shí)別精度相當(dāng)。但是人工智能應(yīng)用在給公眾帶來便利的同時(shí),也面臨著泄露個(gè)人信息的風(fēng)險(xiǎn)。人工智能應(yīng)用可以采集人臉圖像、指紋、語音等個(gè)人敏感信息,而公眾通常未對(duì)信息進(jìn)行任何形式的保護(hù),一旦發(fā)生信息泄露將對(duì)公民的權(quán)益造成很大影響。事實(shí)上,人臉敏感數(shù)據(jù)的泄露問題尤為嚴(yán)重,迫切需要一種有效的隱私保護(hù)方法來對(duì)個(gè)人的人臉圖像進(jìn)行合適的保護(hù)。目前,基于人臉的隱私保護(hù)技術(shù)已經(jīng)得到了廣泛的關(guān)注,人臉隱私保護(hù)技術(shù)的研究目標(biāo)主要有兩個(gè)方面:提供人臉匿名保護(hù)和數(shù)據(jù)可用性保護(hù)。一種直觀的人臉隱私保護(hù)方法是人臉去識(shí)別化技術(shù),通過對(duì)人臉敏感區(qū)域使用遮蓋、模糊、扭曲、失真等圖像處理方法來達(dá)到隱私保護(hù)目標(biāo)。盡管這些方法比較容易實(shí)現(xiàn),但是通常匿名化程度不充分,不容易控制圖像的失真程度,難以在深度神經(jīng)網(wǎng)絡(luò)下達(dá)到隱私保護(hù)的目的;而且沒有明確地保留情感、表情、種族等多樣性屬性,無法在接下來進(jìn)行非身份屬性的數(shù)據(jù)分析任務(wù)。為提高人臉隱私圖像在深度神經(jīng)網(wǎng)絡(luò)下的匿名化程度,本文提出了基于對(duì)抗樣本的人臉隱私圖像生成算法priFGEN。方法在公式中綜合考慮圖像失真度和身份映射距離損失,將隱私保護(hù)目標(biāo)轉(zhuǎn)化成一個(gè)小型人臉識(shí)別模型miniFNET的對(duì)抗樣本生成問題,并使用自適應(yīng)的優(yōu)化算法生成對(duì)于深度神經(jīng)網(wǎng)絡(luò)具有匿名性的隱私圖像。然后在MobileNet、VGG16、FaceNet等多種識(shí)別模型下進(jìn)行對(duì)比實(shí)驗(yàn),測(cè)試結(jié)果顯示方法對(duì)于多種不同的未知黑盒模型具有良好的匿名性和轉(zhuǎn)移性,且生成的隱私圖像具有更低的圖像失真度,因此方法在考慮圖像失真度時(shí)對(duì)深度神經(jīng)網(wǎng)絡(luò)具有更高的隱私保護(hù)水平。然后,為保留人臉圖像中的多樣性信息,本文在前面研究的基礎(chǔ)上進(jìn)一步擴(kuò)展,提出了適用情感分類的多樣性隱私圖像生成算法divFGEN。方法對(duì)于隱私保護(hù)目標(biāo)使用前述自適應(yīng)的生成算法,同時(shí)在公式中基于情感分類模型miniFEXP額外引入?yún)?shù)因子來控制情感分類損失。實(shí)驗(yàn)結(jié)果顯示方法對(duì)于人臉情感的多樣性有良好的保留能力,且對(duì)深度神經(jīng)網(wǎng)絡(luò)的隱私保護(hù)性能仍然很高。因此本文隱私保護(hù)方法對(duì)深度神經(jīng)網(wǎng)絡(luò)具有較高的隱私保護(hù)水平,且進(jìn)一步保留了人臉圖像中的多樣性信息,人臉隱私圖像仍然適用于情感、表情等分析任務(wù)中。
李昊天[4]（2020）在《深度學(xué)習(xí)下的人臉識(shí)別與對(duì)抗樣本研究》文中提出人臉識(shí)別因其良好的非侵入性與自然存在性,已成為一種重要的認(rèn)證識(shí)別技術(shù),并得到了廣泛使用。自2012年深度學(xué)習(xí)在圖像識(shí)別大賽上一舉奪冠,利用深度神經(jīng)網(wǎng)絡(luò)解決人臉識(shí)別問題越來越受研究者的青睞,但現(xiàn)有的人臉識(shí)別技術(shù)仍有很大的改進(jìn)空間。本文從深度學(xué)習(xí)下的人臉識(shí)別技術(shù)出發(fā),在研究現(xiàn)有算法的基礎(chǔ)上,探究性能更好的檢測(cè)與識(shí)別算法,并針對(duì)深度學(xué)習(xí)中的樣本攻擊問題,對(duì)人臉虛假樣本進(jìn)行研究。本文主要的研究?jī)?nèi)容有:針對(duì)原始SSD算法在小樣本人臉檢測(cè)上的漏檢錯(cuò)檢等問題,考慮特征融合思想,提出一種特征金字塔增強(qiáng)融合的SSD人臉檢測(cè)（FPEF-SSD）算法。該算法在傳統(tǒng)SSD結(jié)構(gòu)提取后的多尺度特征層基礎(chǔ)上,使用特征金字塔對(duì)上采樣層和尺寸不變卷積層進(jìn)行特征融合,通過將抽象且豐富語義信息的高層特征圖與淺層高分辨率包含更多細(xì)節(jié)的低特征圖按特征級(jí)聯(lián)方式融合,使底層特征圖擁有更豐富的語義細(xì)節(jié)信息,生成的增強(qiáng)多尺度特征圖對(duì)小尺寸人臉有更加好的特征描述,且細(xì)節(jié)信息不易丟失。針對(duì)傳統(tǒng)三元組損失在樣本對(duì)上選擇困難和訓(xùn)練樣本量較大的問題,結(jié)合中心損失的思想,并引入離散余弦變換方法,提出一種基于低頻離散余弦變換與CT損失的人臉識(shí)別（LFDCTCT-FR）算法。該算法首先對(duì)原始的三元組損失改進(jìn),引入中心損失共同優(yōu)化,可以更好地縮小類別內(nèi)間距,且不用再精心挑選樣本對(duì),避免因指數(shù)級(jí)數(shù)據(jù)量的樣本對(duì)帶來的收斂難問題。通過結(jié)合離散余弦變換矩陣,將樣本的低頻系數(shù)針對(duì)性地與單一的卷積網(wǎng)絡(luò)特征進(jìn)行加權(quán)融合,可以更好地豐富人臉特征,增強(qiáng)類別間特征的區(qū)分性。針對(duì)現(xiàn)有基于梯度的圖像識(shí)別類攻擊算法優(yōu)化速度慢且攻擊樣本擾動(dòng)大、攻擊效果不魯棒等問題,結(jié)合動(dòng)量方法,提出一種基于面部隱蔽貼片與動(dòng)量迭代PGD人臉對(duì)抗樣本攻擊（HPMI-PGD）算法。該算法在PGD攻擊方法的基礎(chǔ)上引入動(dòng)量,使迭代過程能夠更快收斂,并加快拉開與原始類別的距離,生成的干擾通過人臉配件范圍的約束,可以以更自然的方式呈現(xiàn),不易被察覺。
馬光凱[5]（2020）在《基于子空間集成學(xué)習(xí)的人體步態(tài)識(shí)別研究》文中認(rèn)為步態(tài)識(shí)別作為計(jì)算機(jī)視覺和生物特征識(shí)別領(lǐng)域的一個(gè)熱點(diǎn)研究課題,它旨在賦予計(jì)算機(jī)能夠根據(jù)人體行走的姿勢(shì)辨別出人物身份的能力。該研究具有重要的理論研究意義和巨大的實(shí)際應(yīng)用價(jià)值,涉及了計(jì)算機(jī)視覺、模式識(shí)別、視頻/圖像處理、圖形學(xué)和智能人機(jī)交互等多個(gè)學(xué)科,并且在遠(yuǎn)距離身份識(shí)別方面具有巨大的應(yīng)用前景。例如,目前在銀行、地鐵、機(jī)場(chǎng)、火車站等安全敏感場(chǎng)所的視頻監(jiān)控系統(tǒng)中就急需一種準(zhǔn)確的、魯棒的遠(yuǎn)距離身份識(shí)別技術(shù)。經(jīng)過二十多年的發(fā)展,已經(jīng)提出了許多步態(tài)識(shí)別算法,其中最先進(jìn)的算法在訓(xùn)練和測(cè)試環(huán)境相似的情況下已經(jīng)取得令人滿意的識(shí)別精度。但是在非理想條件下,由于受到多種多樣的步態(tài)變化因子的影響,算法的識(shí)別性能將會(huì)出現(xiàn)大幅度的下降,很難滿足實(shí)際應(yīng)用要求。因此,步態(tài)識(shí)別技術(shù)還遠(yuǎn)未成熟,設(shè)計(jì)出真正準(zhǔn)確、魯棒的步態(tài)識(shí)別算法仍然是目前研究的主要任務(wù)。本文基于子空間集成學(xué)習(xí)理論,以開發(fā)設(shè)計(jì)出有效的步態(tài)識(shí)別算法問題展開了深入的研究。具體來說,本文的主要工作和創(chuàng)新如下:1.針對(duì)步態(tài)因受到多種多樣變化因子的影響,導(dǎo)致識(shí)別算法性能下降的問題,提出了基于全矯正Boosting子空間集成學(xué)習(xí)的步態(tài)識(shí)別方法,將全矯正Boosting技術(shù)創(chuàng)新性地應(yīng)用于子空間集成學(xué)習(xí)問題,構(gòu)建一個(gè)通用的子空間集成學(xué)習(xí)框架,用于提取和優(yōu)化組合步態(tài)在多個(gè)不同判別子空間下的特征,提高算法對(duì)步態(tài)變化因子的健壯性。2.為了保留步態(tài)圖像序列中對(duì)識(shí)別有著重要作用的時(shí)間位置信息,利用多通道特征提取技術(shù),將步態(tài)序列中的時(shí)間位置信息反映到通道的權(quán)重上,在多個(gè)通道上分別對(duì)不同時(shí)段內(nèi)的步態(tài)輪廓曲線圖像進(jìn)行編碼,形成一個(gè)具有時(shí)間位置信息的步態(tài)特征圖像,命名為步態(tài)高斯能量圖像。為了進(jìn)一步挖掘步態(tài)高斯能量圖像的非線性信息,提出了基于核子空間集成學(xué)習(xí)的步態(tài)識(shí)別方法,在基于全矯正Boosting的子空間集成學(xué)習(xí)框架下,通過引入核方法,提取步態(tài)特征圖像在多個(gè)非線性子空間下的特征,這些特征與在線性子空間下的特征相比,具有更高的可區(qū)分性,有利于進(jìn)行步態(tài)識(shí)別。3.為了增強(qiáng)步態(tài)特征圖像對(duì)步態(tài)變化因子的健壯性以及判別能力,利用Gabor小波具有優(yōu)良的空間局部性和方向選擇性,在步態(tài)能量圖像上提取圖像局部區(qū)域內(nèi)多個(gè)方向的空間頻率和局部結(jié)構(gòu)特征,是一種良好的步態(tài)描述方法?？紤]到Gabor特征固有的多維空間結(jié)構(gòu)以及空間相關(guān)性對(duì)步態(tài)識(shí)別有著積極的作用,采用張量表示步態(tài)的Gabor特征,分別根據(jù)張量到張量投影和張量到向量投影兩種不同的多重線性投影方式,提出了基于張量子空間集成學(xué)習(xí)的步態(tài)識(shí)別方法和基于元多重線性投影子空間集成學(xué)習(xí)的步態(tài)識(shí)別方法。以上兩種方法都是在基于全矯正Boosting的子空間集成學(xué)習(xí)框架下根據(jù)張量理論擴(kuò)展得到的,相比于張量判別分析方法,具有更高的步態(tài)識(shí)別正確率的特點(diǎn)。4.針對(duì)步態(tài)視角變化造成算法識(shí)別性能下降的問題,提出了一種跨視角步態(tài)識(shí)別方法。首先,利用基于稀疏表示的步態(tài)視角分類方法,實(shí)現(xiàn)步態(tài)視角匹配,進(jìn)而確定視角角度。然后,采用典型相關(guān)分析（Canonical Correlation Analysis,CCA）方法提取在不同視角下的步態(tài)最大相關(guān)特征,用于減小它們之間的差異?？紤]到步態(tài)的不同局部區(qū)域受步態(tài)視角的影響程度的不同,在基于全矯正Boosting的子空間集成學(xué)習(xí)框架上,加入局部圖塊選擇機(jī)制,擴(kuò)展出基于局部圖塊的子空間集成學(xué)習(xí)。最后,通過合理定義訓(xùn)練集中的三元索引集合有效地將CCA方法和基于局部圖塊的子空間集成學(xué)習(xí)方法結(jié)合起來,實(shí)現(xiàn)跨視角的步態(tài)識(shí)別。為了驗(yàn)證所提出的步態(tài)識(shí)別方法的有效性,在USF Human ID和CASIA-B兩個(gè)大型步態(tài)數(shù)據(jù)庫上進(jìn)行了大量對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,論文所提出的步態(tài)識(shí)別方法具有較高的識(shí)別率和魯棒性。
聶琴琴[6]（2019）在《基于樣本對(duì)加權(quán)和選擇的黎曼流形度量學(xué)習(xí)》文中認(rèn)為隨著數(shù)據(jù)爆發(fā)式的增長(zhǎng)以及深度學(xué)習(xí)的迅速發(fā)展,高階統(tǒng)計(jì)信息被廣泛應(yīng)用于各大視覺任務(wù)中。度量學(xué)習(xí)是一種基于樣本之間距離從而度量樣本之間相似性的機(jī)器學(xué)習(xí)算法。傳統(tǒng)的度量學(xué)習(xí)的方法主要針對(duì)低維度的向量特征。然而近年來的研究工作表明基于高階信息統(tǒng)計(jì)量的度量學(xué)習(xí)算法普遍優(yōu)于基于低階統(tǒng)計(jì)量的算法。相比于低階信息,基于高階統(tǒng)計(jì)量的方法能夠更好地保留圖像的結(jié)構(gòu)信息?；诶杪餍紊隙攘繉W(xué)習(xí)方法可以有效地利用高階流形上的流形結(jié)構(gòu)學(xué)習(xí)具有判別性的度量矩陣,大量的實(shí)驗(yàn)結(jié)果也表明流形空間能夠更有效地度量學(xué)習(xí)。但是現(xiàn)有的黎曼流形度量學(xué)習(xí)方法大多只利用了單一的高階信息或者低階信息,并不能有效地結(jié)合低階信息和高階信息。其次,大量的算法將樣本對(duì)的重要性視為一致,忽視了不同樣本對(duì)的差異性。在樣本數(shù)據(jù)不充分的情況下,仍然很難取得令人滿意的效果。針對(duì)以上提出的問題,本文從兩個(gè)方面提出了黎曼流形上的度量學(xué)習(xí)方法:基于黎曼流形上的聯(lián)合度量學(xué)習(xí)方法以及基于人機(jī)協(xié)同的黎曼度量學(xué)習(xí)方法。本文的主要研究成果和創(chuàng)新性工作有如下幾個(gè)方面:第一,針對(duì)高斯分布上的黎曼度量學(xué)習(xí),本文提出了一個(gè)基于高斯分布的黎曼流形的聯(lián)合度量學(xué)習(xí)方法。模型將兩個(gè)高斯之間的距離定義為均值向量之間的馬氏距離與協(xié)方差矩陣之間的歐幾里德距離之和,同時(shí)考慮一階和二階的距離度量,有效地融合了一階和二階之間的互補(bǔ)信息。此外,模型為了選擇信息量最大的樣本對(duì),模型嵌入了樣本對(duì)的權(quán)重以增強(qiáng)度量學(xué)習(xí)的效果。該方法可以通過計(jì)算距離幾何平均得到全局最優(yōu)的解析解。第二,為了利用大量的未標(biāo)記的數(shù)據(jù),模型采用人機(jī)協(xié)同的策略進(jìn)行數(shù)據(jù)擴(kuò)充以提升模型的性能。為了指導(dǎo)專家標(biāo)注和機(jī)器標(biāo)注的合作,本文提出了基于概率和距離的樣本選擇策略。對(duì)于置信度高的樣本,模型直接采用機(jī)器進(jìn)行標(biāo)記,對(duì)于置信度低的樣本,結(jié)合距離策略進(jìn)行判斷是否進(jìn)行人工標(biāo)記。最后通過迭代的方式,不斷地增強(qiáng)模型。五個(gè)公有數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明該策略可擴(kuò)充樣本并提升模型效果。
高希占[7]（2019）在《基于子空間學(xué)習(xí)的特征抽取與識(shí)別理論研究》文中研究說明隨著智能手機(jī)、監(jiān)控系統(tǒng)等設(shè)備的普及,現(xiàn)實(shí)生活中生成的數(shù)據(jù)越來越多,如何從這些高維數(shù)據(jù)中提取所需知識(shí)變的越來越重要。子空間學(xué)習(xí)可以有效分析和利用這些數(shù)據(jù),并已被廣泛應(yīng)用于各種數(shù)據(jù)挖掘和計(jì)算機(jī)視覺任務(wù)中。然而傳統(tǒng)的線性子空間學(xué)習(xí)是基于向量數(shù)據(jù)進(jìn)行的,它在處理高階張量時(shí)會(huì)產(chǎn)生非常高維的向量,從而導(dǎo)致大量的參數(shù)估計(jì)問題。多線性子空間學(xué)習(xí)是線性子空間學(xué)習(xí)的一種高階泛化,其把高維張量直接映射到低維空間而不需對(duì)其進(jìn)行向量化處理,這樣可以提高運(yùn)算效率,并保持?jǐn)?shù)據(jù)原有的空間結(jié)構(gòu)。但遺憾的是,目前關(guān)于多線性子空間學(xué)習(xí)的研究還不充分,如何進(jìn)一步豐富多線性子空間學(xué)習(xí)理論,將其應(yīng)用到不同的分類任務(wù)中,已成為模式識(shí)別領(lǐng)域的一個(gè)研究難點(diǎn)?；趩畏鶊D像的模式識(shí)別方法易受到各種干擾和退化因素的影響,需要保證較高的成像質(zhì)量和分辨率。而圖像集數(shù)據(jù)因?yàn)榘送荒Ｊ降牟煌砬?、不同姿?shì)、或不同光照下的多種圖像數(shù)據(jù),反映了同一模式的多種屬性,有利于提升模式分類的效果。近年來,基于圖像集的模式識(shí)別研究已成為一個(gè)新的研究熱點(diǎn)和難點(diǎn)。圖像集數(shù)據(jù)通常位于高維空間中,其往往含有大量冗余特征,且不同圖像之間存在相關(guān)性,因此,學(xué)習(xí)圖像集數(shù)據(jù)的低維嵌入對(duì)于提升分類效果、降低模型的復(fù)雜度至關(guān)重要。本文以子空間學(xué)習(xí)為主線,從高階數(shù)據(jù)降維和圖像集分類這兩個(gè)方面展開研究,結(jié)合多秩多線性、流形學(xué)習(xí)、稀疏表示、局部化以及多核學(xué)習(xí)等技術(shù),探討了子空間學(xué)習(xí)在不同任務(wù)中的應(yīng)用。本文的主要研究工作如下:（1）提出了多秩多線性典型相關(guān)分析方法（MRCCA）。目前已有的二向二維典型相關(guān)分析方法（（2D）2CCA）假定投影矩陣為秩一矩陣,然而這種假設(shè)在現(xiàn)實(shí)場(chǎng)景下一般不成立。本文研究了一種更為常見的圖像低維嵌入技術(shù),即投影矩陣為一般的多秩矩陣。提出的MRCCA方法假設(shè)投影矩陣的秩為k,通過對(duì)投影矩陣進(jìn)行奇異值分解,可以得到左右各k對(duì)變換向量。為了聯(lián)合求解最優(yōu)的變換向量,使用典型相關(guān)分析（CCA）的思想來建模,即要求變換后的數(shù)據(jù)在低維嵌入空間具有最大相關(guān)性。同時(shí),通過理論分析,發(fā)現(xiàn)投影矩陣的秩k可以作為計(jì)算時(shí)間和識(shí)別精度之間的一個(gè)均衡參數(shù),若秩變大,識(shí)別精度會(huì)提高,但相應(yīng)的計(jì)算時(shí)間也會(huì)增加,反之亦然。在多個(gè)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果,驗(yàn)證了所提方法的有效性。（2）提出了二向二維監(jiān)督典型相關(guān)分析方法（（2D）2SCCA）和多秩多線性監(jiān)督典型相關(guān)分析方法（MSCCA）。經(jīng)典的CCA和（2D）2CCA屬于無監(jiān)督算法,為了把樣本的監(jiān)督信息引入到這些方法中,提出了（2D）2SCCA算法。通過分析廣義典型相關(guān)分析（GCCA）與（2D）2SCCA之間的關(guān)系,進(jìn)一步提出了MSCCA算法。另外,本文證明了（2D）2SCCA屬于MSCCA的一種特殊情況,同時(shí)MSCCA也可以看作是MRCCA的一種有監(jiān)督的泛化擴(kuò)展。在物體識(shí)別及人臉識(shí)別等任務(wù)中的大量實(shí)驗(yàn)結(jié)果表明,本文所提方法取得了良好的識(shí)別效果。（3）提出了二維局部保持典型相關(guān)分析（2DLPCCA）和二維稀疏保持典型相關(guān)分析方法（2DSPCCA）。二維典型相關(guān)分析（2DCCA）直接把圖像矩陣作為輸入,不需要對(duì)其進(jìn)行向量化處理,這樣可以有效保持圖像的空間結(jié)構(gòu)信息,降低計(jì)算成本并避免“維數(shù)災(zāi)難”問題。但是2DCCA是一種線性方法,其并不能有效地抽取圖像數(shù)據(jù)的非線性特征。因此,本文首先基于局部化思想構(gòu)建了一種二維子空間學(xué)習(xí)方法,稱之為二維局部保持典型相關(guān)分析（2DLPCCA）。該方法基于2DCCA的一種等價(jià)形式,使用局部近鄰信息來發(fā)現(xiàn)數(shù)據(jù)內(nèi)部的非線性結(jié)構(gòu)。此外,從相似性矩陣構(gòu)造的角度出發(fā),因?yàn)橄∈柚貥?gòu)系數(shù)天然的具有判別能力,本文進(jìn)一步提出了二維稀疏保持典型相關(guān)分析（2DSPCCA）框架。最后,在真實(shí)數(shù)據(jù)上面的實(shí)驗(yàn)結(jié)果驗(yàn)證了本文所提算法的有效性。（4）提出了多模型融合度量學(xué)習(xí)方法（MMFML）。傳統(tǒng)的圖像集分類方法通常使用單個(gè)模型來表示圖像集,如使用線性子空間,凸包等,這些方法只能提取圖像集中某一方面的判別信息,而忽略了其他的互補(bǔ)信息?；诖?提出了多模型融合度量學(xué)習(xí)算法（MMFML）。該方法使用均值向量、線性子空間以及協(xié)方差矩陣來聯(lián)合表示圖像集,從而可以利用互補(bǔ)的判別信息來提高分類的性能。由于這幾種表示模型位于異相空間,為了減少它們之間的差異性以方便度量,首先利用不同的核函數(shù)把其映射到再生核希爾伯特空間,然后在高維空間學(xué)習(xí)最優(yōu)的低維嵌入并得到三個(gè)雙模型融合Modes,最后在低維共享子空間對(duì)圖像集進(jìn)行分類。在Honda、ETH-80和Youtube Celebrities三個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果,驗(yàn)證了所提算法的有效性。
鄧璐[8]（2019）在《基于LDA和稀疏表示的人臉圖像識(shí)別研究》文中研究說明人臉識(shí)別是人工智能的重要分支,在民用和商用領(lǐng)域如人機(jī)交互、監(jiān)控系統(tǒng)等方面具有重要意義。近年來,隨著機(jī)器視覺和機(jī)器學(xué)習(xí)的突飛猛進(jìn),特征提取和分類器的設(shè)計(jì)日趨復(fù)雜和多樣。但是,影響人臉識(shí)別的因素如小樣本一直是難以解決的問題,這使得對(duì)特征提取與分類器的要求越來越高,難度越來越大。本文在對(duì)機(jī)器學(xué)習(xí)算法研究的基礎(chǔ)上,開展對(duì)人臉識(shí)別關(guān)鍵技術(shù)的研究工作,包括特征提取、分類器設(shè)計(jì),實(shí)現(xiàn)了適用于小樣本環(huán)境的特征提取與分類算法,主要成果如下:首先,研究并實(shí)現(xiàn)了主成分分析和基于線性判別分析等特征提取方法,通過改進(jìn)的線性判別分析算法,來進(jìn)行特征提取,能很好的解決小樣本問題。其次,針對(duì)現(xiàn)有的基于線性判別分析算法中特征值存在方差和偏差等缺點(diǎn),通過加權(quán)和平滑類間和類內(nèi)離散度矩陣模型,以及對(duì)歸一化參數(shù)進(jìn)行了確定化,得到一種加權(quán)平滑的確定性判別分析算法（WSDLDA）。該算法不僅可以解決小樣本引起的過擬合問題,還可以解決散度矩陣的奇異性問題。三個(gè)公共數(shù)據(jù)庫被用于驗(yàn)證本文提出算法的優(yōu)越性,通過仿真分析了其在不同訓(xùn)練樣本數(shù)目和維度下的性能,并與多種相關(guān)方法進(jìn)行對(duì)比,結(jié)果顯示所提方法能夠提升分類準(zhǔn)確率。再次,深入研究幾種比較常用的分類器,并結(jié)合其優(yōu)缺點(diǎn),重點(diǎn)研究了基于稀疏表示的分類識(shí)別方法。它不需要大量的訓(xùn)練樣本數(shù)量,且更容易訓(xùn)練,能夠更好的預(yù)防小樣本數(shù)據(jù)的過擬合問題。針對(duì)稀疏分類的非監(jiān)督性等缺點(diǎn),本文充分利用測(cè)試樣本的相關(guān)類和相關(guān)樣本,提出一種加權(quán)逐類稀疏和局部敏感表示算法（WCSLR）。該算法不僅促進(jìn)了在類別上的稀疏表示,而且能夠增強(qiáng)所選訓(xùn)練類中局部敏感表示。最后,采用與前面特征提取相同的樣本數(shù)據(jù),仿真分析了分類器在不同訓(xùn)練樣本數(shù)目和維度下的分類性能,分析比較了多種分類器的分類結(jié)果,驗(yàn)證了所提WCSLR算法具有更好的分類性能,并對(duì)所提方法進(jìn)行了參數(shù)分析。基于以上研究,本文實(shí)現(xiàn)了特征提取和人臉圖像分類算法,并在公共人臉庫上驗(yàn)證了算法的優(yōu)越性。
馮璋[9]（2019）在《改進(jìn)灰狼算法及其在人臉識(shí)別中的應(yīng)用》文中認(rèn)為隨著群體智能算法近20年的快速發(fā)展,由于它所具有較強(qiáng)的魯棒性和簡(jiǎn)潔性的特點(diǎn),現(xiàn)在被廣泛應(yīng)用于不同領(lǐng)域中。在2014年,Mirjalili等人提出一種新的群體智能仿生算法即灰狼算法（Grey Wolf Optimizer,GWO）,該算法是通過模擬狼群的領(lǐng)導(dǎo)層次與狩獵機(jī)制所實(shí)現(xiàn),相比于其他的智能優(yōu)化算法,如粒子群算法（PSO）、差分進(jìn)化算法（DE）等,有著參數(shù)少、收斂精度高等優(yōu)點(diǎn),然而該算法依舊有著以往傳統(tǒng)智能優(yōu)化算法的不足,易陷入早期局部最優(yōu)解、收斂速度較慢等問題,所以灰狼算法任然處于改進(jìn)研究階段,同時(shí)應(yīng)用范圍不廣。綜上所述,本文針對(duì)其算法的不足做出了改進(jìn),同時(shí)將改進(jìn)后的算法通過優(yōu)化支持向量機(jī)的核參數(shù)與懲罰參數(shù)應(yīng)用于人臉識(shí)別當(dāng)中。論文的主要研究?jī)?nèi)容如下:本文針對(duì)灰狼算法的不足,提出一種改進(jìn)灰狼算法,首先在灰狼算法中對(duì)于探索能力和開發(fā)能力的參數(shù)進(jìn)行了改進(jìn),用非線性動(dòng)態(tài)收斂函數(shù)代替原算法中的線性收斂函數(shù),從而提高了算法的局部搜索能力,然后使用動(dòng)態(tài)權(quán)值策略,通過動(dòng)態(tài)平衡調(diào)節(jié)加快算法的全局搜索能力和局部搜索能力的收斂,從而尋求全局最優(yōu)解。經(jīng)過不同基準(zhǔn)測(cè)試函數(shù)類型的對(duì)比,實(shí)驗(yàn)結(jié)果表示,改進(jìn)后的灰狼算法相比于對(duì)比算法具有尋優(yōu)精度更高、收斂速度更快的優(yōu)勢(shì)。在人臉識(shí)別方面,本文先采用二維主成分分析法（2DPCA）與主成分分析法（PCA）,進(jìn)行特征提取,然后將提取后的特征矩陣放入改進(jìn)的灰狼算法優(yōu)化后的分類器支持向量機(jī)（SVM）,進(jìn)行分類處理,通過ORL人臉庫和Yale人臉庫下的實(shí)驗(yàn)對(duì)比,證明優(yōu)化后的支持向量機(jī)在分類性能上優(yōu)于其他對(duì)比算法。
王君[10]（2019）在《稀疏子空間聚類及快速算法的研究》文中研究表明聚類分析是一項(xiàng)無監(jiān)督學(xué)習(xí)任務(wù),在很多領(lǐng)域中有廣泛應(yīng)用。聚類分析可以發(fā)現(xiàn)數(shù)據(jù)的全局分布模式,以及屬性之間有價(jià)值的相互關(guān)系。隨著信息技術(shù)的進(jìn)步,各種類型的數(shù)據(jù)維度可達(dá)成百上千,甚至更高,因此針對(duì)高維數(shù)據(jù)的聚類分析具有非常重要的意義。由于冗余維度和復(fù)雜噪聲的存在,基于距離的相似度度量往往對(duì)高維數(shù)據(jù)失效,通常采用子空間的方法對(duì)高維數(shù)據(jù)加以分析。一般認(rèn)為高維數(shù)據(jù)嵌入低維的流形中,子空間聚類的目的是將源自不同子空間的高維數(shù)據(jù),劃分到其所屬的低維子空間。如何去除噪聲對(duì)數(shù)據(jù)的影響,也是子空間聚類中的重要任務(wù)。近年來,稀疏子空間聚類得到了廣泛的關(guān)注。稀疏子空間聚類是一種基于廣義稀疏表示和譜聚類算法的數(shù)據(jù)聚類框架,其核心是設(shè)計(jì)能揭示高維數(shù)據(jù)真實(shí)子空間結(jié)構(gòu)的表示模型,獲得低維子空間下的系數(shù)表示矩陣,來構(gòu)造有助于精確聚類的相似度矩陣。稀疏子空間聚類在計(jì)算機(jī)視覺、圖像處理和模式識(shí)別等領(lǐng)域內(nèi)已有廣泛的研究和應(yīng)用,但是仍然存在很多問題亦有很大的發(fā)展空間。本文在稀疏子空間聚類的模型和快速算法上展開了具有針對(duì)性的研究,具體而言,本文的主要工作和具體創(chuàng)新如下:1.提出一種基于稀疏表示的低秩子空間恢復(fù)和劃分的統(tǒng)一框架（Low Rank subspace Sparse Representation,LRSR）。高維數(shù)據(jù)中往往含有冗余維度和奇異噪聲,因此需要利用子空間恢復(fù)和劃分的方式找到其所屬的子空間。低秩表示的方法在含有稀疏噪聲的數(shù)據(jù)上表現(xiàn)良好,但是直接利用含有噪聲的現(xiàn)實(shí)數(shù)據(jù)作為字典并不合理,本文在LRSR模型中引入字典變量,與系數(shù)表示矩陣共同求解,具有更強(qiáng)的容錯(cuò)能力。在不相交子空間的假設(shè)下,LRSR模型對(duì)系數(shù)表示矩陣同時(shí)施加低秩和稀疏的約束,使其滿足強(qiáng)對(duì)角塊結(jié)構(gòu),為后續(xù)的子空間聚類奠定了基礎(chǔ)。同時(shí),LRSR能夠恢復(fù)數(shù)據(jù)集中受噪聲嚴(yán)重污染的數(shù)據(jù)。LRSR模型在ADMM算法的框架下求解,本文給出了算法的收斂性保證。人臉圖像Extended YaleB和運(yùn)動(dòng)軌跡Hopkins155數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果表明LRSR算法在去除噪聲干擾、恢復(fù)原始數(shù)據(jù)、聚類準(zhǔn)確率的表現(xiàn)上明顯優(yōu)于現(xiàn)有方法。2.提出一種基于譜間距全局信息和樣本間局部距離的相似度矩陣求解方法（Global-Local Affinity matrix Model,GLAM）。在圖學(xué)習(xí)方法中,圖的構(gòu)造（相似度矩陣的構(gòu)造）揭示數(shù)據(jù)間的關(guān)系,如何構(gòu)造反映數(shù)據(jù)類內(nèi)相似屬性和類間差異的相似度矩陣是非常關(guān)鍵的。利用譜間距作為全局約束,在一定程度上能夠抵抗噪聲的干擾,維持與類別相關(guān)的相似度矩陣特征空間的穩(wěn)定性。因此,本文提出從最大化譜間距的角度去逼近理想對(duì)角塊結(jié)構(gòu)的相似度矩陣,同時(shí)將數(shù)據(jù)間的局部距離作為正則項(xiàng)來防止譜間距過大而造成相似度矩陣失效。子空間劃分的方法與GLAM構(gòu)造的相似度矩陣相結(jié)合,令子空間聚類的準(zhǔn)確率有明顯的提升。同時(shí),本文還將GLAM方法構(gòu)造的相似度矩陣成功地應(yīng)用到基于圖的半監(jiān)督分類任務(wù)中,現(xiàn)實(shí)公共數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果驗(yàn)證了 GLAM算法的有效性。3.提出一種求解核范數(shù)優(yōu)化問題的快速算法（Non-convex Low Rank Represen-tation via Block Coordinate Descent Method,NLRR++）。基于核范數(shù)優(yōu)化的子空間劃分方法中,每次迭代都包含時(shí)間復(fù)雜度很高的奇異值分解,使其很難擴(kuò)展到大規(guī)模數(shù)據(jù)集。本文在矩陣分解的框架下,通過單位秩矩陣和的方式重新構(gòu)造非凸低秩模型,并利用塊坐標(biāo)下降法更新變量,使得算法的時(shí)間復(fù)雜度由O（n3）降低到O（mnd）,空間復(fù)雜度由O（n2）降低到O（mn）（通常情況下d《m《n）。在此基礎(chǔ)上,本文還設(shè)計(jì)了按一定概率分布值更新內(nèi)部變量的隨機(jī)算法,進(jìn)一步縮短算法的執(zhí)行時(shí)間。算法的每次迭代中只包含“矩陣-向量”乘法,計(jì)算簡(jiǎn)單便于并行化處理。通過精心設(shè)計(jì)變量中坐標(biāo)的更新順序,新算法能更快收斂。同時(shí),給出了NLRR++算法的收斂性分析。考慮到譜聚類算法在大數(shù)據(jù)集上的不可擴(kuò)展性,利用非凸模型的特殊形式,提出了更加快速簡(jiǎn)單的聚類方法。和當(dāng)前先進(jìn)的方法相比,NLRR++算法更加準(zhǔn)確高效,求解速度比最先進(jìn)的非凸低秩方法快12倍。
二、高維空間下求解MDA的擾動(dòng)算法及其在人臉識(shí)別中的應(yīng)用（論文開題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁面大小,采用多級(jí)分層頁表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過主支變革、控制研究對(duì)象來發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過調(diào)查文獻(xiàn)來獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過創(chuàng)設(shè)一個(gè)與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、高維空間下求解MDA的擾動(dòng)算法及其在人臉識(shí)別中的應(yīng)用（論文提綱范文）
（1）基于黎曼流形的圖像分類方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 存在的問題 |
| 1.4 主要研究?jī)?nèi)容 |
| 1.5 論文章節(jié)安排 |
| 第二章 黎曼流形基礎(chǔ)理論 |
| 2.1 黎曼流形的基本概念 |
| 2.2 圖像分類常用的流形類型 |
| 2.2.1 對(duì)稱正定矩陣流形 |
| 2.2.2 Grassmann流形 |
| 2.3 基于對(duì)稱正定矩陣的稀疏表示 |
| 2.3.1 圖像特征的流形表示 |
| 2.3.2 流形上的核函數(shù) |
| 2.3.3 流形上的稀疏表示 |
| 2.4 常用數(shù)據(jù)庫簡(jiǎn)介 |
| 2.4.1 基于單幅圖像的數(shù)據(jù)庫 |
| 2.4.2 基于圖像集的數(shù)據(jù)庫 |
| 2.5 本章小結(jié) |
| 第三章 雙向協(xié)方差矩陣 |
| 3.1 引言 |
| 3.2 協(xié)方差判別學(xué)習(xí) |
| 3.2.1 流形上的判別分析 |
| 3.2.2 流形上的偏最小二乘回歸 |
| 3.3 雙向協(xié)方差矩陣 |
| 3.3.1 二維化的圖像表示 |
| 3.3.2 雙向降維協(xié)方差矩陣 |
| 3.3.3 雙向二維協(xié)方差矩陣 |
| 3.4 實(shí)驗(yàn)與分析 |
| 3.4.1 實(shí)驗(yàn)設(shè)置 |
| 3.4.2 實(shí)驗(yàn)結(jié)果 |
| 3.4.3 參數(shù)的影響 |
| 3.4.4 運(yùn)行時(shí)間比較 |
| 3.5 本章小結(jié) |
| 第四章 無窮維協(xié)方差矩陣的低維近似向量 |
| 4.1 引言 |
| 4.2 無窮維流形 |
| 4.2.1 無窮維協(xié)方差矩陣 |
| 4.2.2 無窮維流形上的距離度量 |
| 4.3 無窮維協(xié)方差矩陣的低維估計(jì) |
| 4.3.1 兩種特征映射 |
| 4.3.2 低維近似協(xié)方差矩陣 |
| 4.3.3 低維近似向量 |
| 4.4 實(shí)驗(yàn)與分析 |
| 4.4.1 實(shí)驗(yàn)設(shè)置 |
| 4.4.2 實(shí)驗(yàn)結(jié)果 |
| 4.4.3 參數(shù)的影響 |
| 4.4.4 運(yùn)行時(shí)間對(duì)比 |
| 4.5 本章小結(jié) |
| 第五章 基于概率分布的對(duì)稱正定矩陣降維 |
| 5.1 引言 |
| 5.2 對(duì)稱正定矩陣降維 |
| 5.2.1 流形上的梯度 |
| 5.2.2 判別性目標(biāo)函數(shù) |
| 5.2.3 流形降維的實(shí)現(xiàn) |
| 5.3 基于概率分布的判別性表示 |
| 5.3.1 對(duì)稱正定矩陣的概率分布 |
| 5.3.2 概率化的關(guān)系函數(shù) |
| 5.4 實(shí)驗(yàn)與分析 |
| 5.4.1 實(shí)驗(yàn)設(shè)置 |
| 5.4.2 實(shí)驗(yàn)結(jié)果 |
| 5.4.3 參數(shù)的影響 |
| 5.4.4 運(yùn)行時(shí)間對(duì)比 |
| 5.5 本章小結(jié) |
| 第六章 基于子協(xié)方差矩陣的塊對(duì)角矩陣 |
| 6.1 引言 |
| 6.2 子協(xié)方差矩陣 |
| 6.2.1 基于圖像分塊的子協(xié)方差矩陣 |
| 6.2.2 基于特征分割的子協(xié)方差矩陣 |
| 6.3 塊對(duì)角矩陣 |
| 6.3.1 塊對(duì)角矩陣的構(gòu)建 |
| 6.3.2 塊對(duì)角矩陣的降維 |
| 6.4 實(shí)驗(yàn)與分析 |
| 6.4.1 實(shí)驗(yàn)設(shè)置 |
| 6.4.2 圖像分塊塊對(duì)角矩陣的實(shí)驗(yàn)結(jié)果 |
| 6.4.3 特征分割塊對(duì)角矩陣的實(shí)驗(yàn)結(jié)果 |
| 6.4.4 參數(shù)的影響 |
| 6.4.5 運(yùn)行時(shí)間對(duì)比 |
| 6.5 本章小結(jié) |
| 第七章 主要結(jié)論與展望 |
| 7.1 主要結(jié)論 |
| 7.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 附錄: 攻讀博士期間發(fā)表的論文 |
（2）非線性角度2DPCA及其在人臉識(shí)別中的應(yīng)用（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號(hào)對(duì)照表 |
| 縮略語對(duì)照表 |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 人臉識(shí)別的發(fā)展歷程與研究現(xiàn)狀 |
| 1.3 人臉識(shí)別的研究?jī)?nèi)容 |
| 1.4 人臉識(shí)別中存在的問題 |
| 1.4.1 人臉識(shí)別的影響因素 |
| 1.4.2 人臉識(shí)別中存在的問題 |
| 1.5 本文的主要研究?jī)?nèi)容 |
| 1.5.1 本文的主要工作 |
| 1.5.2 本文的內(nèi)容安排 |
| 第二章 線性主成分分析 |
| 2.1 奇異值分解 |
| 2.2 主成分分析算法 |
| 2.2.1 Karhunen-Loeve變換 |
| 2.2.2 PCA |
| 2.3 二維主成分分析算法 |
| 2.3.1 2DPCA算法 |
| 2.3.2 基于F范數(shù)的2DPCA算法 |
| 2.3.3 角度2DPCA算法 |
| 2.4 本章小結(jié) |
| 第三章 非線性主成分分析 |
| 3.1 核函數(shù) |
| 3.2 非線性主成分分析 |
| 3.2.1 KPCA |
| 3.2.2 K2DPCA |
| 3.3 非線性角度主成分分析 |
| 3.3.1 Sin-KPCA |
| 3.3.2 Sin-K2DPCA |
| 3.4 實(shí)驗(yàn)分析 |
| 3.4.1 ORL數(shù)據(jù)庫上的實(shí)驗(yàn) |
| 3.4.2 CMU PIE數(shù)據(jù)庫上的實(shí)驗(yàn) |
| 3.5 本章小結(jié) |
| 第四章 選主元Cholesky分解的核主成分分析 |
| 4.1 Cholesky分解 |
| 4.1.1 Cholesky分解 |
| 4.1.2 選主元的Cholesky矩陣低秩近似方法 |
| 4.2 選主元Cholesky分解的角度K2DPCA |
| 4.2.1 核矩陣的低秩近似 |
| 4.2.2 低秩近似的Sin-K2DPCA的計(jì)算 |
| 4.3 實(shí)驗(yàn)分析 |
| 4.3.1 ORL數(shù)據(jù)庫上的實(shí)驗(yàn) |
| 4.3.2 Yale數(shù)據(jù)庫上的實(shí)驗(yàn) |
| 4.3.3 Extended YaleB數(shù)據(jù)庫上的實(shí)驗(yàn) |
| 4.4 本章小結(jié) |
| 第五章 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡(jiǎn)介 |
（3）基于機(jī)器學(xué)習(xí)的人臉圖像認(rèn)證保護(hù)方法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究工作的背景與意義 |
| 1.2 國內(nèi)外研究歷史與現(xiàn)狀 |
| 1.3 本文的主要貢獻(xiàn)與創(chuàng)新 |
| 1.4 本論文的結(jié)構(gòu)安排 |
| 1.5 本章小結(jié) |
| 第二章 相關(guān)背景及研究 |
| 2.1 人臉隱私保護(hù)技術(shù) |
| 2.1.1 通用的失真/抑制方法 |
| 2.1.2 基于數(shù)據(jù)發(fā)布原則的隱私保護(hù)方法 |
| 2.2 機(jī)器學(xué)習(xí) |
| 2.2.1 深度神經(jīng)網(wǎng)絡(luò) |
| 2.2.2 基于深度神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別技術(shù) |
| 2.3 相似度度量算法 |
| 2.3.1 范數(shù)距離 |
| 2.3.2 余弦相似度 |
| 2.4 對(duì)抗樣本 |
| 2.4.1 擬牛頓近似算法L-BFGS |
| 2.4.2 快速梯度符號(hào)法FGSM |
| 2.4.3 差分進(jìn)化算法 |
| 2.5 本章小結(jié) |
| 第三章 基于對(duì)抗樣本的人臉隱私保護(hù)方法 |
| 3.1 研究簡(jiǎn)介 |
| 3.2 問題描述 |
| 3.2.1 系統(tǒng)模型介紹 |
| 3.2.2 方案預(yù)期目標(biāo) |
| 3.3 方案設(shè)計(jì) |
| 3.3.1 人臉隱私保護(hù)方案 |
| 3.3.2 小型人臉識(shí)別模型miniFNET |
| 3.3.3 人臉隱私圖像生成算法priFGEN |
| 3.4 實(shí)驗(yàn)評(píng)估 |
| 3.4.1 實(shí)驗(yàn)數(shù)據(jù)集 |
| 3.4.2 實(shí)驗(yàn)背景介紹 |
| 3.4.3 實(shí)驗(yàn)結(jié)果與分析 |
| 3.5 本章小結(jié) |
| 第四章 適用情感分類的多樣性保護(hù)方法 |
| 4.1 研究簡(jiǎn)介 |
| 4.2 問題描述 |
| 4.2.1 系統(tǒng)模型介紹 |
| 4.2.2 方案預(yù)期目標(biāo) |
| 4.3 方案設(shè)計(jì) |
| 4.3.1 隱私保護(hù)系統(tǒng)框架 |
| 4.3.2 情感分類模型miniFEXP |
| 4.3.3 多樣性隱私圖像生成算法divFGEN |
| 4.4 實(shí)驗(yàn)評(píng)估 |
| 4.4.1 實(shí)驗(yàn)數(shù)據(jù)集 |
| 4.4.2 實(shí)驗(yàn)背景介紹 |
| 4.4.3 實(shí)驗(yàn)結(jié)果與分析 |
| 4.5 本章小結(jié) |
| 第五章 全文總結(jié)與展望 |
| 5.1 全文總結(jié) |
| 5.2 后續(xù)工作展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間取得的成果 |
（4）深度學(xué)習(xí)下的人臉識(shí)別與對(duì)抗樣本研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題來源與研究背景和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀與展望 |
| 1.3 本文研究?jī)?nèi)容與章節(jié)安排 |
| 1.3.1 主要研究工作和創(chuàng)新點(diǎn) |
| 1.3.2 結(jié)構(gòu)安排 |
| 第2章 人臉識(shí)別及對(duì)抗樣本相關(guān)理論 |
| 2.1 人臉圖像預(yù)處理 |
| 2.2 卷積神經(jīng)網(wǎng)絡(luò) |
| 2.2.1 基本結(jié)構(gòu) |
| 2.2.2 損失函數(shù) |
| 2.2.3 正向與反向傳播算法 |
| 2.3 對(duì)抗樣本攻擊 |
| 2.4 本章小結(jié) |
| 第3章 基于FPEF-SSD人臉檢測(cè)算法的研究 |
| 3.1 引言 |
| 3.2 傳統(tǒng)人臉檢測(cè)算法 |
| 3.2.1 基于LBP特征的人臉檢測(cè)方法 |
| 3.2.2 基于LBP特征的改進(jìn)策略 |
| 3.3 特征金字塔增強(qiáng)融合的SSD人臉檢測(cè)算法 |
| 3.3.1 原始算法多尺度特征的不足之處 |
| 3.3.2 特征金字塔網(wǎng)絡(luò)的分類 |
| 3.3.3 框架設(shè)計(jì)和實(shí)現(xiàn) |
| 3.4 實(shí)驗(yàn)結(jié)果與分析 |
| 3.4.1 基于傳統(tǒng)方法的人臉檢測(cè) |
| 3.4.2 基于深度學(xué)習(xí)方法的人臉檢測(cè) |
| 3.5 本章小結(jié) |
| 第4章 基于LFDCTCT人臉識(shí)別算法的研究 |
| 4.1 引言 |
| 4.2 基于三元組神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別 |
| 4.2.1 損失函數(shù) |
| 4.2.2 三元組神經(jīng)網(wǎng)絡(luò)人臉識(shí)別算法 |
| 4.3 低頻DCT結(jié)合CT損失的人臉識(shí)別算法 |
| 4.3.1 改進(jìn)的Center-based Triplet損失函數(shù) |
| 4.3.2 離散余弦變換 |
| 4.3.3 算法框架與網(wǎng)絡(luò)結(jié)構(gòu) |
| 4.4 實(shí)驗(yàn)結(jié)果與分析 |
| 4.4.1 Center-based Triplet損失可行性及參數(shù)分析實(shí)驗(yàn) |
| 4.4.2 低頻DCT融合系數(shù)實(shí)驗(yàn) |
| 4.4.3 識(shí)別率實(shí)驗(yàn) |
| 4.5 本章小結(jié) |
| 第5章 基于HPMI-PGD人臉攻擊算法的研究 |
| 5.1 引言 |
| 5.2 基于PGD的樣本攻擊算法 |
| 5.2.1 投影梯度法 |
| 5.2.2 PGD攻擊 |
| 5.3 基于HPMI-PGD的人臉對(duì)抗樣本攻擊算法 |
| 5.3.1 生物配件設(shè)計(jì) |
| 5.3.2 動(dòng)量方法 |
| 5.3.3 算法架構(gòu)設(shè)計(jì) |
| 5.4 實(shí)驗(yàn)結(jié)果與分析 |
| 5.4.1 攻擊模型及可視化方法 |
| 5.4.2 無靶向攻擊實(shí)驗(yàn) |
| 5.4.3 靶向攻擊實(shí)驗(yàn) |
| 5.5 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 |
（5）基于子空間集成學(xué)習(xí)的人體步態(tài)識(shí)別研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 課題的研究背景及意義 |
| 1.2 步態(tài)識(shí)別的研究現(xiàn)狀 |
| 1.2.1 步態(tài)識(shí)別系統(tǒng)的基本框架 |
| 1.2.2 運(yùn)動(dòng)檢測(cè) |
| 1.2.3 步態(tài)周期檢測(cè) |
| 1.2.4 步態(tài)識(shí)別算法分析 |
| 1.2.5 公共步態(tài)數(shù)據(jù)庫簡(jiǎn)介 |
| 1.2.6 難點(diǎn)分析 |
| 1.3 本文的主要研究?jī)?nèi)容 |
| 1.4 本文的內(nèi)容組織 |
| 第2章 基于全矯正Boosting子空間集成學(xué)習(xí)的步態(tài)識(shí)別 |
| 2.1 引言 |
| 2.2 Boosting集成算法簡(jiǎn)介 |
| 2.2.1 線性規(guī)劃表達(dá)式 |
| 2.2.2 基于列生成的單純形法 |
| 2.3 基于全矯正Boosting的子空間集成學(xué)習(xí) |
| 2.3.1 子空間集成學(xué)習(xí)框架 |
| 2.3.2 算法的快速實(shí)現(xiàn) |
| 2.3.3 計(jì)算復(fù)雜度分析 |
| 2.4 三元索引集合的構(gòu)建 |
| 2.4.1 基于LDA的三元索引集合 |
| 2.4.2 基于MFA的三元索引集合 |
| 2.4.3 在特定識(shí)別情況下的三元索引集合 |
| 2.5 在步態(tài)識(shí)別中的應(yīng)用 |
| 2.6 實(shí)驗(yàn)結(jié)果和分析 |
| 2.6.1 實(shí)驗(yàn)設(shè)計(jì) |
| 2.6.2 參數(shù)分析 |
| 2.6.3 識(shí)別性能的對(duì)比分析 |
| 2.7 本章小結(jié) |
| 第3章 基于時(shí)-空域步態(tài)表征和核子空間集成學(xué)習(xí)的步態(tài)識(shí)別 |
| 3.1 引言 |
| 3.2 基于核的非線性子空間學(xué)習(xí) |
| 3.2.1 線性子空間學(xué)習(xí) |
| 3.2.2 基于核的擴(kuò)展 |
| 3.3 時(shí)-空域的步態(tài)表征 |
| 3.3.1 步態(tài)高斯能量圖像 |
| 3.3.2 步態(tài)熵圖像 |
| 3.4 核子空間集成學(xué)習(xí) |
| 3.5 在步態(tài)識(shí)別中的應(yīng)用 |
| 3.6 實(shí)驗(yàn)結(jié)果與分析 |
| 3.6.1 時(shí)-空步態(tài)表征的識(shí)別性能評(píng)估 |
| 3.6.2 識(shí)別性能對(duì)比分析 |
| 3.7 本章小結(jié) |
| 第4章 基于Gabor特征和張量子空間集成學(xué)習(xí)的步態(tài)識(shí)別 |
| 4.1 引言 |
| 4.2 相關(guān)的張量理論 |
| 4.2.1 多重線性代數(shù)的基本運(yùn)算 |
| 4.2.2 多重線性投影 |
| 4.2.3 多重線性子空間學(xué)習(xí) |
| 4.3 基于Gabor小波的步態(tài)表征 |
| 4.4 基于張量的子空間集成學(xué)習(xí) |
| 4.5 基于EMP的子空間集成學(xué)習(xí) |
| 4.6 實(shí)驗(yàn)結(jié)果與分析 |
| 4.6.1 參數(shù)分析 |
| 4.6.2 識(shí)別性能的穩(wěn)定性分析 |
| 4.6.3 識(shí)別性能的對(duì)比分析 |
| 4.7 本章小結(jié) |
| 第5章 基于典型相關(guān)分析和局部特征子空間集成學(xué)習(xí)的跨視角步態(tài)識(shí)別 |
| 5.1 引言 |
| 5.2 步態(tài)視角匹配 |
| 5.2.1 步態(tài)運(yùn)動(dòng)區(qū)域分割 |
| 5.2.2 基于稀疏表示的步態(tài)視角分類 |
| 5.3 典型相關(guān)分析 |
| 5.4 基于局部圖塊的子空間集成學(xué)習(xí) |
| 5.5 跨視角的步態(tài)識(shí)別 |
| 5.6 實(shí)驗(yàn)結(jié)果和分析 |
| 5.6.1 實(shí)驗(yàn)設(shè)計(jì) |
| 5.6.2 參數(shù)分析 |
| 5.6.3 單一視角下的識(shí)別性能對(duì)比分析 |
| 5.6.4 跨視角下的識(shí)別性能對(duì)比分析 |
| 5.7 本章小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間發(fā)表的論文及其他成果 |
| 致謝 |
| 個(gè)人簡(jiǎn)歷 |
（6）基于樣本對(duì)加權(quán)和選擇的黎曼流形度量學(xué)習(xí)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號(hào)對(duì)照表 |
| 第1章 緒論 |
| 1.1 研究背景及研究目的 |
| 1.2 國內(nèi)外研究現(xiàn)狀及分析 |
| 1.2.1 距離度量學(xué)習(xí) |
| 1.2.2 黎曼流形度量學(xué)習(xí) |
| 1.3 問題和挑戰(zhàn) |
| 1.4 本文主要研究?jī)?nèi)容工作 |
| 1.5 本文組織結(jié)構(gòu) |
| 第2章 相關(guān)工作 |
| 2.1 傳統(tǒng)度量學(xué)習(xí)方法 |
| 2.2 黎曼流形度量學(xué)習(xí)方法 |
| 2.2.1 廣義高效的黎曼流形度量學(xué)習(xí)(RMML) |
| 2.2.2 格拉斯曼流形上的投影度量學(xué)習(xí)(PML) |
| 2.2.3 對(duì)數(shù)歐幾里德度量學(xué)習(xí)(LEML) |
| 2.3 高斯分布的距離度量方法 |
| 2.4 樣本選擇策略 |
| 2.4.1 課程學(xué)習(xí)(Curriculum Learning) |
| 2.4.2 自步學(xué)習(xí)(Self-paced Learning) |
| 2.4.3 主動(dòng)學(xué)習(xí)(Active Learning) |
| 2.5 本章小結(jié) |
| 第3章 基于高斯分布的黎曼流形上聯(lián)合度量學(xué)習(xí) |
| 3.1 引言 |
| 3.2 模型的建立 |
| 3.3 模型求解及優(yōu)化 |
| 3.4 實(shí)驗(yàn)設(shè)置 |
| 3.4.1 數(shù)據(jù)集 |
| 3.4.2 對(duì)比方法 |
| 3.4.3 實(shí)驗(yàn)參數(shù)及時(shí)間復(fù)雜度分析 |
| 3.5 實(shí)驗(yàn)結(jié)果和分析 |
| 3.6 本章小節(jié) |
| 第4章 基于人機(jī)協(xié)同的黎曼流形上的度量學(xué)習(xí) |
| 4.1 引言 |
| 4.2 模型的建立 |
| 4.3 實(shí)驗(yàn)設(shè)置 |
| 4.3.1 數(shù)據(jù)介紹 |
| 4.3.2 參數(shù)設(shè)置 |
| 4.4 實(shí)驗(yàn)結(jié)果和分析 |
| 4.5 本章小節(jié) |
| 第5章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 發(fā)表論文和參加科研情況說明 |
| 致謝 |
（7）基于子空間學(xué)習(xí)的特征抽取與識(shí)別理論研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 引言 |
| 1.2 子空間學(xué)習(xí)概述 |
| 1.2.1 監(jiān)督v.s.無監(jiān)督 |
| 1.2.2 線性v.s.非線性 |
| 1.2.3 單線性v.s.多線性 |
| 1.2.4 深度子空間學(xué)習(xí) |
| 1.3 圖像集分類及子空間學(xué)習(xí)在其中的應(yīng)用 |
| 1.4 存在的問題 |
| 1.5 本文的主要工作 |
| 1.6 論文結(jié)構(gòu)安排 |
| 2 多秩多線性典型相關(guān)分析 |
| 2.1 引言 |
| 2.2 相關(guān)知識(shí) |
| 2.2.1 典型相關(guān)分析 |
| 2.2.2 二向二維典型相關(guān)分析 |
| 2.3 多秩多線性典型相關(guān)分析與多秩多線性多重集典型相關(guān)分析 |
| 2.3.1 關(guān)于CCA與(2D)2CCA的討論 |
| 2.3.2 多秩多線性典型相關(guān)分析 |
| 2.3.3 多秩多線性多重集典型相關(guān)分析 |
| 2.3.4 收斂性分析 |
| 2.3.5 計(jì)算復(fù)雜度 |
| 2.3.6 關(guān)于矩陣的奇異性問題 |
| 2.4 實(shí)驗(yàn)與結(jié)果分析 |
| 2.4.1 交叉驗(yàn)證 |
| 2.4.2 不同初始化 |
| 2.4.3 參數(shù)選擇 |
| 2.4.4 收斂行為 |
| 2.4.5 MRCCA的分類結(jié)果 |
| 2.4.6 MRCCA的計(jì)算時(shí)間 |
| 2.4.7 MRMCCA的實(shí)驗(yàn)結(jié)果 |
| 2.5 小結(jié) |
| 3 有監(jiān)督的多秩多線性典型相關(guān)分析 |
| 3.1 引言 |
| 3.2 二向二維監(jiān)督典型相關(guān)分析 |
| 3.3 多秩多線性監(jiān)督典型相關(guān)分析 |
| 3.3.1 MSCCA模型構(gòu)造 |
| 3.3.2 MSCCA求解 |
| 3.4 性能分析 |
| 3.4.1 收斂性分析 |
| 3.4.2 計(jì)算復(fù)雜度 |
| 3.4.3 與相關(guān)工作的比較 |
| 3.5 實(shí)驗(yàn)與結(jié)果分析 |
| 3.5.1 COIL-100數(shù)據(jù)集上的物體識(shí)別 |
| 3.5.2 Yale數(shù)據(jù)集上的人臉識(shí)別 |
| 3.5.3 Feret數(shù)據(jù)集上的人臉識(shí)別 |
| 3.5.4 計(jì)算時(shí)間 |
| 3.5.5 參數(shù)分析 |
| 3.6 小結(jié) |
| 4 二維局部保持及二維稀疏保持典型相關(guān)分析 |
| 4.1 引言 |
| 4.2 相關(guān)工作 |
| 4.2.1 局部保持投影 |
| 4.2.2 稀疏保持投影 |
| 4.2.3 二維典型相關(guān)分析 |
| 4.3 二維局部保持典型相關(guān)分析 |
| 4.4 二維稀疏保持典型相關(guān)分析 |
| 4.4.1 2DSPCCA1 |
| 4.4.2 2DSPCCA2 |
| 4.4.3 2DSPCCA3 |
| 4.5 計(jì)算復(fù)雜度 |
| 4.6 實(shí)驗(yàn)與結(jié)果分析 |
| 4.6.1 人臉識(shí)別 |
| 4.6.2 指紋識(shí)別 |
| 4.6.3 掌紋識(shí)別 |
| 4.7 小結(jié) |
| 5 多模型融合度量學(xué)習(xí) |
| 5.1 引言 |
| 5.2 相關(guān)工作 |
| 5.3 多模型融合度量學(xué)習(xí) |
| 5.3.1 圖像集表示 |
| 5.3.2 現(xiàn)有的黎曼距離和核函數(shù) |
| 5.3.3 雙模型融合 |
| 5.3.4 模型構(gòu)建 |
| 5.3.5 模型優(yōu)化 |
| 5.3.6 兩種新的模型融合策略 |
| 5.4 實(shí)驗(yàn)與結(jié)果分析 |
| 5.4.1 實(shí)驗(yàn)設(shè)置 |
| 5.4.2 實(shí)驗(yàn)結(jié)果 |
| 5.4.3 結(jié)果分析 |
| 5.5 小結(jié) |
| 6 結(jié)束語 |
| 6.1 本文工作總結(jié) |
| 6.2 未來工作展望 |
| 附錄A 若干定理的證明 |
| A.A 定理3的證明 |
| A.B 定理4的證明 |
| A.C 定理5的證明 |
| A.D 定理6的證明 |
| A.E 定理7的證明 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間撰寫的論文和研究成果 |
（8）基于LDA和稀疏表示的人臉圖像識(shí)別研究（論文提綱范文）
| 中文摘要 |
| 英文摘要 |
| 1 緒論 |
| 1.1 課題的研究背景及意義 |
| 1.2 國內(nèi)外發(fā)展現(xiàn)狀 |
| 1.2.1 特征提取研究現(xiàn)狀 |
| 1.2.2 人臉圖像分類研究現(xiàn)狀 |
| 1.3 論文的主要內(nèi)容及章節(jié)安排 |
| 1.3.1 主要內(nèi)容 |
| 1.3.2 章節(jié)安排 |
| 2 人臉圖像處理技術(shù)介紹 |
| 2.1 引言 |
| 2.2 圖像特征提取 |
| 2.2.1 主成分分析(PCA) |
| 2.2.2 線性判別分析(LDA) |
| 2.2.3 零空間LDA(NLDA) |
| 2.2.4 譜回歸LDA(SRDA) |
| 2.3 分類器介紹 |
| 2.3.1 稀疏表示 |
| 2.3.2 線性回歸分類 |
| 2.3.3 協(xié)同表示分類 |
| 2.3.4 類稀疏表示 |
| 2.4 本章小結(jié) |
| 3 基于加權(quán)平滑的確定性LDA的人臉圖像特征提取 |
| 3.1 引言 |
| 3.2 正則化的判別分析模型 |
| 3.3 加權(quán)平滑的確定性LDA |
| 3.3.1 類間離散度矩陣模型優(yōu)化 |
| 3.3.2 類內(nèi)離散度矩陣模型優(yōu)化 |
| 3.3.3 確定性的線性判別分析 |
| 3.4 實(shí)驗(yàn)及其分析 |
| 3.4.1 CMU PIE人臉數(shù)據(jù)庫 |
| 3.4.2 AR人臉數(shù)據(jù)庫 |
| 3.4.3 Extended Yale B人臉數(shù)據(jù)庫 |
| 3.4.4 二維可視化分析 |
| 3.5 本章小結(jié) |
| 4 基于加權(quán)逐類稀疏和局部敏感表示的人臉圖像分類 |
| 4.1 引言 |
| 4.2 加權(quán)組稀疏表示 |
| 4.3 基于加權(quán)逐類稀疏和局部敏感表示的圖像分類 |
| 4.3.1 模型提出 |
| 4.3.2 優(yōu)化求解 |
| 4.4 實(shí)驗(yàn)結(jié)果與分析 |
| 4.4.1 CMU PIE人臉數(shù)據(jù)庫 |
| 4.4.2 AR人臉數(shù)據(jù)庫 |
| 4.4.3 Extended Yale B人臉數(shù)據(jù)庫 |
| 4.4.4 參數(shù)分析 |
| 4.5 本章小結(jié) |
| 5 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 附錄 |
| A.作者在攻讀學(xué)位取得的科研成果目錄 |
| B.作者在攻讀學(xué)位期間獲獎(jiǎng)情況 |
| C.學(xué)位論文數(shù)據(jù)集 |
| 致謝 |
（9）改進(jìn)灰狼算法及其在人臉識(shí)別中的應(yīng)用（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 論文結(jié)構(gòu)安排 |
| 第二章 基本灰狼算法概述 |
| 2.1 引言 |
| 2.2 灰狼優(yōu)化算法 |
| 2.2.1 灰狼群體的領(lǐng)導(dǎo)層次 |
| 2.2.2 灰狼群體的狩獵行為 |
| 2.2.3 灰狼算法的步驟及流程圖 |
| 2.3 本章小結(jié) |
| 第三章 灰狼優(yōu)化算法的改進(jìn) |
| 3.1 引言 |
| 3.2 算法改進(jìn)策略 |
| 3.2.1 非線性動(dòng)態(tài)收斂收斂因子 |
| 3.2.2 動(dòng)態(tài)權(quán)重 |
| 3.3 實(shí)驗(yàn)結(jié)果及其分析 |
| 3.3.1 測(cè)試基準(zhǔn)函數(shù) |
| 3.3.2 算法的實(shí)驗(yàn)參數(shù)設(shè)置 |
| 3.4 本章小結(jié) |
| 第四章 基于改進(jìn)灰狼算法優(yōu)化支持向量機(jī)的人臉識(shí)別 |
| 4.1 引言 |
| 4.2 人臉圖像的特征提取 |
| 4.3 支持向量機(jī) |
| 4.3.1 支持向量機(jī)的原理 |
| 4.3.2 核函數(shù) |
| 4.4 IGWO-SVM算法 |
| 4.4.1 適應(yīng)度函數(shù)的設(shè)置 |
| 4.4.2 算法步驟與流程圖 |
| 4.5 實(shí)驗(yàn)結(jié)果與分析 |
| 4.5.1 人臉庫數(shù)據(jù)集 |
| 4.5.2 算法參數(shù)設(shè)置與數(shù)據(jù)預(yù)處理 |
| 4.5.3 實(shí)驗(yàn)結(jié)果與分析 |
| 4.6 本章小結(jié) |
| 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀碩士學(xué)位期間發(fā)表的論文 |
（10）稀疏子空間聚類及快速算法的研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題研究背景及意義 |
| 1.2 聚類分析概述 |
| 1.3 子空間聚類 |
| 1.3.1 子空間整體恢復(fù) |
| 1.3.2 子空間劃分 |
| 1.4 稀疏子空間聚類 |
| 1.4.1 子空間自表示 |
| 1.4.2 相關(guān)的優(yōu)化算法 |
| 1.4.3 應(yīng)用場(chǎng)景 |
| 1.4.4 面臨的問題 |
| 1.5 本文研究?jī)?nèi)容及章節(jié)安排 |
| 第2章 稀疏子空間聚類的相關(guān)理論 |
| 2.1 引言 |
| 2.2 子空間劃分的理論基礎(chǔ) |
| 2.2.1 魯棒主成分分析 |
| 2.2.2 低秩表示 |
| 2.2.3 稀疏表示 |
| 2.3 圖學(xué)習(xí)方法 |
| 2.3.1 傳統(tǒng)圖構(gòu)建方法 |
| 2.3.2 最小切圖 |
| 2.3.3 拉普拉斯矩陣的性質(zhì) |
| 2.4 子空間劃分的優(yōu)化算法 |
| 2.5 本章小結(jié) |
| 第3章 基于低秩子空間稀疏表示的子空間聚類方法 |
| 3.1 引言 |
| 3.2 低秩表示的余弦度量策略 |
| 3.3 低秩子空間稀疏表示模型及求解策略 |
| 3.3.1 低秩子空間下的稀疏表示模型 |
| 3.3.2 交替方向乘子求解LRSR策略 |
| 3.3.3 LRSR-1和LRSR-2的停止條件 |
| 3.4 收斂性和時(shí)間復(fù)雜度分析 |
| 3.4.1 收斂性分析 |
| 3.4.2 時(shí)間復(fù)雜度分析 |
| 3.5 實(shí)驗(yàn)結(jié)果與分析 |
| 3.5.1 人工合成數(shù)據(jù)集的實(shí)驗(yàn)和評(píng)價(jià)標(biāo)準(zhǔn) |
| 3.5.2 人臉聚類 |
| 3.5.3 人臉恢復(fù) |
| 3.5.4 運(yùn)動(dòng)軌跡分割 |
| 3.6 本章小結(jié) |
| 第4章 基于全局譜間距和局部距離的相似度矩陣求解方法 |
| 4.1 引言 |
| 4.2 圖的測(cè)量和構(gòu)建 |
| 4.2.1 低秩子空間下的距離測(cè)量 |
| 4.2.2 圖的構(gòu)建 |
| 4.3 結(jié)合全局和局部信息構(gòu)建相似度矩陣模型 |
| 4.3.1 全局譜間距度量 |
| 4.3.2 局部點(diǎn)對(duì)度量 |
| 4.3.3 全局-局部相似度矩陣模型 |
| 4.4 求解策略 |
| 4.4.1 交替方向乘子算法 |
| 4.4.2 部分特征值閾值操作符 |
| 4.4.3 矩陣特征分解的隨機(jī)算法 |
| 4.4.4 時(shí)間復(fù)雜度分析 |
| 4.5 圖方法的應(yīng)用 |
| 4.6 實(shí)驗(yàn)結(jié)果與分析 |
| 4.6.1 實(shí)驗(yàn)設(shè)置 |
| 4.6.2 人工合成數(shù)據(jù)集上的實(shí)驗(yàn) |
| 4.6.3 現(xiàn)實(shí)數(shù)據(jù)集的聚類 |
| 4.6.4 半監(jiān)督分類 |
| 4.7 本章小結(jié) |
| 第5章 基于非凸分解的快速核范數(shù)優(yōu)化算法 |
| 5.1 引言 |
| 5.2 基于矩陣分解的低秩模型 |
| 5.3 重構(gòu)非凸低秩表示模型 |
| 5.3.1 基于塊坐標(biāo)下降法求解策略 |
| 5.3.2 u_t,v_t的更新策略 |
| 5.3.3 NLRR++加速策略 |
| 5.3.4 隨機(jī)算法NLRR++r |
| 5.3.5 LRSR的非凸模型 |
| 5.4 理論性分析 |
| 5.4.1 理論收斂性分析 |
| 5.4.2 時(shí)間和空間復(fù)雜度分析 |
| 5.5 相應(yīng)的聚類策略 |
| 5.6 實(shí)驗(yàn)結(jié)果與分析 |
| 5.6.1 實(shí)驗(yàn)設(shè)置 |
| 5.6.2 人工合成數(shù)據(jù)集上的實(shí)驗(yàn) |
| 5.6.3 現(xiàn)實(shí)數(shù)據(jù)集上的實(shí)驗(yàn) |
| 5.7 本章小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間發(fā)表的論文及其他成果 |
| 致謝 |
| 個(gè)人簡(jiǎn)歷 |
四、高維空間下求解MDA的擾動(dòng)算法及其在人臉識(shí)別中的應(yīng)用（論文參考文獻(xiàn)）
- [1]基于黎曼流形的圖像分類方法研究[D]. 任捷怡. 江南大學(xué), 2020(04)
- [2]非線性角度2DPCA及其在人臉識(shí)別中的應(yīng)用[D]. 喬慧. 西安電子科技大學(xué), 2020(05)
- [3]基于機(jī)器學(xué)習(xí)的人臉圖像認(rèn)證保護(hù)方法研究[D]. 羅宇恒. 電子科技大學(xué), 2020(07)
- [4]深度學(xué)習(xí)下的人臉識(shí)別與對(duì)抗樣本研究[D]. 李昊天. 哈爾濱理工大學(xué), 2020(02)
- [5]基于子空間集成學(xué)習(xí)的人體步態(tài)識(shí)別研究[D]. 馬光凱. 哈爾濱工業(yè)大學(xué), 2020(01)
- [6]基于樣本對(duì)加權(quán)和選擇的黎曼流形度量學(xué)習(xí)[D]. 聶琴琴. 天津大學(xué), 2019(01)
- [7]基于子空間學(xué)習(xí)的特征抽取與識(shí)別理論研究[D]. 高希占. 南京理工大學(xué), 2019(02)
- [8]基于LDA和稀疏表示的人臉圖像識(shí)別研究[D]. 鄧璐. 重慶大學(xué), 2019(01)
- [9]改進(jìn)灰狼算法及其在人臉識(shí)別中的應(yīng)用[D]. 馮璋. 西北師范大學(xué), 2019(06)
- [10]稀疏子空間聚類及快速算法的研究[D]. 王君. 哈爾濱工業(yè)大學(xué), 2019(01)
標(biāo)簽：協(xié)方差論文; 人臉識(shí)別論文; 矩陣的秩論文; 高維空間論文; 矩陣乘法論文;