多媒體數(shù)據(jù)挖掘系統(tǒng)引論

《信息科學(xué)技術(shù)學(xué)術(shù)著作叢書》序 

原書序 

前言 

第*部分 引論 

第1章 簡介 3 

1.1 多媒體數(shù)據(jù)挖掘定義 3 

1.2 多媒體數(shù)據(jù)挖掘系統(tǒng)經(jīng)典體系結(jié)構(gòu) 6 

1.3 本書內(nèi)容與組織 7 

1.4 本書受眾 8 

1.5 進(jìn)一步讀物 8 

第二部分 理論和技術(shù) 

第2章 多媒體數(shù)據(jù)特征與知識表示 13 

2.1 引言 13 

2.2 基本概念 14 

2.2.1 數(shù)字采樣 14 

2.2.2 媒體數(shù)據(jù)類型 16 

2.3 特征表示 18 

2.3.1 統(tǒng)計特征 19 

2.3.2 幾何特征 23 

2.3.3 元特征 26 

2.4 知識表示 26 

2.4.1 邏輯表示 26 

2.4.2 語義網(wǎng)絡(luò) 28 

2.4.3 框架 29 

2.4.4 約束 31 

2.4.5 不確定性表示 33 

2.5 小結(jié) 36 

第3章 統(tǒng)計數(shù)據(jù)挖掘理論與技術(shù) 37 

3.1 引言 37 

3.2 貝葉斯學(xué)習(xí) 38 

3.2.1 貝葉斯定理 38 

3.2.2 貝葉斯*優(yōu)分類器 40 

3.2.3 Gibbs抽樣算法 41 

3.2.4 樸素貝葉斯分類器 41 

3.2.5 貝葉斯信念網(wǎng)絡(luò) 42 

3.3 概率潛在語義分析 45 

3.3.1 潛在語義分析 46 

3.3.2 潛在語義分析概率擴(kuò)展 47 

3.3.3 基于期望*大化的模型擬合 48 

3.3.4 潛在概率空間與概率潛在語義分析 49 

3.3.5 模型過擬合與強(qiáng)化的期望*大化算法 50 

3.4 用于離散數(shù)據(jù)分析的隱含狄利克雷分配模型 51 

3.4.1 隱含狄利克雷分配模型 52 

3.4.2 與其他隱變量模型關(guān)系 54 

3.4.3 隱含狄利克雷分配模型推理 56 

3.4.4 隱含狄利克雷分配模型參數(shù)估計 58 

3.5 層次狄利克雷過程 58 

3.6 多媒體數(shù)據(jù)挖掘中的應(yīng)用 60 

3.7 支持向量機(jī) 60 

3.8 面向結(jié)構(gòu)化輸出空間的*大間隔學(xué)習(xí) 65 

3.9 Boosting 70 

3.10 多示例學(xué)習(xí) 72 

3.10.1 構(gòu)建語義詞空間與圖像視覺代表對象空間映射 73 

3.10.2 詞到圖像的查詢 76 

3.10.3 圖像到圖像的查詢 76 

3.10.4 圖像到單詞的查詢 76 

3.10.5 多模態(tài)查詢 77 

3.10.6 可擴(kuò)展性分析 77 

3.10.7 適應(yīng)性分析 77 

3.11 半監(jiān)督學(xué)習(xí) 80 

3.11.1 監(jiān)督學(xué)習(xí) 83 

3.11.2 半監(jiān)督學(xué)習(xí) 84 

3.11.3 半?yún)?shù)正則化*小二乘 87 

3.11.4 半?yún)?shù)正則化支持向量機(jī) 88 

3.11.5 半?yún)?shù)正則化算法 90 

3.11.6 直推方法與半監(jiān)督學(xué)習(xí) 91 

3.11.7 與其他方法的比較 91 

3.12 小結(jié) 92 

第4章 基于軟計算的理論與技術(shù) 93 

4.1 引言 93 

4.2 軟計算方法特點 94 

4.3 模糊集理論 95 

4.3.1 模糊集基本概念和性質(zhì) 95 

4.3.2 模糊邏輯和模糊推理規(guī)則 97 

4.3.3 模糊集在多媒體數(shù)據(jù)挖掘中的應(yīng)用 98 

4.4 人工神經(jīng)網(wǎng)絡(luò) 99 

4.4.1 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu) 99 

4.4.2 神經(jīng)網(wǎng)絡(luò)中的監(jiān)督學(xué)習(xí) 102 

4.4.3 神經(jīng)網(wǎng)絡(luò)中的強(qiáng)化學(xué)習(xí) 106 

4.5 遺傳算法 109 

4.5.1 遺傳算法簡述 109 

4.5.2 遺傳算法極值搜索與傳統(tǒng)極值搜索方法比較 112 

4.6 小結(jié) 116 

第三部分 多媒體數(shù)據(jù)挖掘應(yīng)用實例 

第5章 圖像數(shù)據(jù)庫建?！Z義庫訓(xùn)練 119 

5.1 引言 119 

5.2 研究背景 119 

5.3 相關(guān)工作 120 

5.4 圖像特征和視覺詞典 122 

5.4.1 圖像特征 122 

5.4.2 視覺詞典 123 

5.5 α-語義圖與語義庫模糊模型 125 

5.5.1 α-語義圖 126 

5.5.2 語義庫模糊模型 128 

5.6 基于分類的檢索算法 129 

5.7 實驗結(jié)果 131 

5.7.1 給定數(shù)據(jù)庫上的分類性能 132 

5.7.2 基于分類的檢索結(jié)果 133 

5.8 小結(jié) 138 

第6章 圖像數(shù)據(jù)庫建模——潛在語義概念發(fā)現(xiàn) 139 

6.1 引言 139 

6.2 研究背景和相關(guān)工作 139 

6.3 基于區(qū)域的圖像表示 141 

6.3.1 圖像分割 142 

6.3.2 視覺符號目錄 144 

6.4 概率潛在語義模型 147 

6.4.1 概率數(shù)據(jù)庫模型 147 

6.4.2 使用期望*大化構(gòu)建模型 148 

6.4.3 概念數(shù)估計 149 

6.5 基于后驗概率的圖像挖掘與檢索 150 

6.6 算法分析 152 

6.7 實驗結(jié)果 153 

6.8 小結(jié) 160 

第7章 圖像數(shù)據(jù)挖掘和概念發(fā)現(xiàn)的多模態(tài)方法 161 

7.1 引言 161 

7.2 研究背景 161 

7.3 相關(guān)工作 162 

7.4 概率語義模型 163 

7.4.1 概率語義標(biāo)注圖像模型 164 

7.4.2 基于期望*大化的模型擬合過程 165 

7.4.3 概念數(shù)估計 166 

7.5 基于模型的圖像語義標(biāo)注與多模態(tài)圖像挖掘和檢索 167 

7.5.1 圖像語義標(biāo)注與圖像到文本查詢 167 

7.5.2 文本到圖像查詢 168 

7.6 實驗 169 

7.6.1 數(shù)據(jù)庫與特征集合 169 

7.6.2 評估度量 170 

7.6.3 圖像自動語義標(biāo)注結(jié)果 171 

7.6.4 單個文本到圖像的查詢結(jié)果 173 

7.6.5 圖像到圖像的查詢結(jié)果 174 

7.6.6 與純文本查詢方法的性能比較結(jié)果 175 

7.7 小結(jié) 176 

第8章 視頻數(shù)據(jù)庫概念發(fā)現(xiàn)與挖掘 177 

8.1 引言 177 

8.2 研究背景 177 

8.3 相關(guān)工作 178 

8.4 視頻分類 180 

8.4.1 樸素貝葉斯分類器 180 

8.4.2 *大熵分類器 182 

8.4.3 支持向量機(jī)分類器 183 

8.4.4 基于元數(shù)據(jù)與基于內(nèi)容的分類器組合 184 

8.5 查詢分類 185 

8.6 實驗 186 

8.6.1 數(shù)據(jù)集 186 

8.6.2 視頻分類結(jié)果 188 

8.6.3 查詢分類結(jié)果 193 

8.6.4 查找相關(guān)性結(jié)果 193 

8.7 小結(jié) 194 

第9章 音頻數(shù)據(jù)庫概念發(fā)現(xiàn)與挖掘 196 

9.1 引言 196 

9.2 研究背景與相關(guān)工作 196 

9.3 特征抽取 199 

9.4 分類方法 201 

9.5 實驗結(jié)果 202 

9.6 小結(jié) 205 

參考文獻(xiàn) 206