基本概念
1.1 特征選擇
1.1.1 相關特征
1.1.2 冗余特征
1.2 特征變換
1.3 特征提取
1.3.1 尺度不變特征變換
1.3.2 方向梯度直方圖
1.4 本章小結
1.5 本書的組織
2 特征選擇及相關技術研究現狀
2.1 傳統(tǒng)特征選擇的研究現狀
2.1.1 生成特征子集
2.1.2 評價特征子集
2.2 監(jiān)督特征選擇算法研究現狀
2.2.1 過濾式特征選擇算法
2.2.2 綁定式
2.2.3 嵌入式特征選擇算法
2.3 本章小結
3 組稀疏子空間的大間隔特征選擇
3.1 模型的基本思想
3.1.1 大間隔學習
3.1.2 組稀疏子空間學習
3.2 模型的建立與實現
3.2.1 模型的建立
3.2.2 目標函數的求解
3.3 算法收斂性分析
3.4 本章小結
4 Trace Ratio- 組稀疏子空間的大間隔特征選擇
4.1 模型建立的基本思想
4.2 模型建立及算法的實現
4.2.1 模型的建立
4.2.2 TR-GSLM算法的求解過程
4.2.3 TR-GSLM算法的收斂性分析
4.3 本章小結
5 高效的Trace:Ratio-組稀疏子空間的大間隔特征選擇
5.1 模型建立的基本思想
5.2 ETR-GSLM算法實現過程
5.3 ETR-GSLM收斂性分析
5.4 實驗分析
5.4.1 實驗數據集及環(huán)境
5.4.2 參與比較的算法
5.4.3 基于分類精度的特征選擇算法性能比較
5.4.4 平均分類精度的比較
5.4.5 提取前30%和60%的特征的分類精度比較
5.4.6 參數的敏感性分析與比較
5.4.7 算法的效率比較
5.4.8 實驗小結
5.5 本章小結
6 無監(jiān)督的特征選擇
6.1 無監(jiān)督特征選擇的分類
6.2 過濾式無監(jiān)督特征選擇
6.2.1 Laplacian評分
6.2.2 譜分解的特征選擇算法
6.3 嵌入式無監(jiān)督特征選擇
6.3.1 將結構信息與機器學習算法結合
6.3.2 結構信息,聚類信息與機器學習算法結合
6.3.3 結構信息,動態(tài)更新聚類信息和機器學習算法結合
6.3.4.動態(tài)更新結構信息,聚類信息和機器學習算法結合
6.4 本章小結
7 計算機視覺中的特征選擇
7.1 高斯混合模型
7.1.1 生成方法和判別方法
7.1.2 高斯混合模型
7.2 Fisher向量
7.3 基于Fisher向量的特征選擇
7.4 本章小結
參考文獻