人工智能：模式識別（精裝版）

目錄
第1章 緒論
1．1 模式的基本概念
1．2 模式表示學習
1．2．1 線性子空間分析
1．2．2 基于流形、稀疏與低秩假設(shè)的模式表示
1．3 模式分類
1．3．1 貝葉斯分類器
1．3．2 最小距離分類器
1．3．3 最近鄰分類器
1．3．4 BP神經(jīng)網(wǎng)絡(luò)
1．3．5 支持向量機
1．3．6 分類器組合
1．4 應(yīng)用算例
1．4．1 手寫體數(shù)字圖像識別
1．4．2 人臉圖像識別
參考文獻
第2章 線性子空間表示
2．1 主成分分析
2．1．1 基本概念
2．1．2 最小均方誤差逼近
2．1．3 PCA變換的統(tǒng)計不相關(guān)性
2．1．4 小樣本情況下的主成分分析
2．2 線性鑒別分析
2．2．1 基本概念
2．2．2 經(jīng)典的費希爾線性鑒別與Foley-Sammon線性鑒別方法
2．2．3 具有統(tǒng)計不相關(guān)性的線性鑒別分析
2．2．4 相關(guān)性分析
2．2．5 等價的最優(yōu)鑒別向量集
2．2．6 幾種等價的費希爾準則
2．3 小樣本情況下的線性鑒別分析
2．3．1 兩種線性鑒別方法的統(tǒng)一模型
2．3．2 壓縮映射基本原理
2．3．3 同構(gòu)映射基本原理
2．3．4 奇異情況下線性鑒別分析的實質(zhì)：PCA+LDA
2．3．5 奇異情況下的組合鑒別分析方法
2．4 二維主成分分析
2．5 二維線性鑒別分析
2．5．1 基本思想
2．5．2 Liu圖像投影鑒別分析
2．5．3 統(tǒng)計不相關(guān)的圖像投影鑒別分析
2．5．4 圖像鑒別特征抽取方法
2．5．5 相關(guān)性分析
2．6 應(yīng)用算例
2．6．1 主成分分析
2．6．2 線性鑒別分析
2．6．3 小樣本情況下的線性鑒別分析
2．6．4 二維主成分分析
2．6．5 二維線性鑒別分析
參考文獻
第3 章非線性子空間表示
3．1 核方法的基本思想
3．2 核主成分分析
3．3 核費希爾鑒別分析
3．3．1 基礎(chǔ)理論
3．3．2 最優(yōu)費希爾鑒別向量的搜尋空間
3．3．3 計算費希爾最優(yōu)鑒別向量的基本思想
3．3．4 簡明的KFD算法框架：KPCA+LDA
3．4 完整的KFD算法（CKFD）
3．4．1 抽取兩種鑒別信息
3．4．2 兩種鑒別信息的融合
3．4．3 完整的KFD算法步驟
3．4．4 與其他KFD方法和LDA方法的關(guān)系
3．5 應(yīng)用算例
3．5．1 在FERET人臉數(shù)據(jù)集上的實驗
3．5．2 在手寫體數(shù)字CENPARMI數(shù)據(jù)集上的實驗
參考文獻
第4 章流形學習
4．1 概述
4．2 非線性嵌入方法
4．2．1 ISOMAP 算法
4．2．2 LLE算法
4．2．3 LE算法
4．2．4 LPP算法
4．2．5 NLPP算法
4．2．6 其他非線性嵌入算法
4．3 特殊的黎曼流形
4．3．1 正交矩陣的格拉斯曼流形
4．3．2 非對稱正定矩陣的李群流形
4．3．3 對稱正定矩陣的李群流形
4．3．4 矩陣流形上的降維算法
4．4 流形對齊
4．4．1 無監(jiān)督流形對齊問題描述
4．4．2 無監(jiān)督流形的點點對齊
4．4．3 無監(jiān)督流形的分布對齊
4．5 應(yīng)用
4．5．1 圖像分類
4．5．2 生物識別
4．5．3 域遷移學習
參考文獻
第5章 稀疏表示
5．1 稀疏表示的基本算法
5．2 基于稀疏表示的特征抽取
5．2．1 稀疏主成分分析方法
5．2．2 稀疏判別分析方法
5．2．3 穩(wěn)健聯(lián)合稀疏嵌入方法
5．3 基于稀疏表示的分類
5．3．1 稀疏系數(shù)的作用
5．3．2 表示殘差的正則化
5．3．3 稀疏表示分類中的字典學習
5．3．4 擴展的稀疏表示分類
5．4 稀疏表示的典型應(yīng)用
5．4．1 人臉識別
5．4．2 目標跟蹤
5．4．3 視覺顯著性檢測
參考文獻
第6章 低秩模型
6．1 概述
6．2 與核范數(shù)有關(guān)的RPCA
6．2．1 RPCA和穩(wěn)健矩陣補全
6．2．2 雙核范數(shù)的矩陣分解
6．2．3 雙核范數(shù)的歸納式矩陣分解
6．2．4 顯著性檢測的一個簡單例子
6．3 與核范數(shù)有關(guān)的 LRR
6．3．1 LRR和隱式LRR
6．3．2 無噪聲LRR的閉解
6．3．3 穩(wěn)健低秩表示
6．3．4 非凸低秩表示
6．4 與核范數(shù)有關(guān)的 RMR
6．4．1 Lq范數(shù)正則核范數(shù)的矩陣回歸
6．4．2 推廣冪指數(shù)分布的矩陣回歸
6．4．3 樹結(jié)構(gòu)核范數(shù)的矩陣回歸
6．4．4 貝葉斯相關(guān)組的矩陣回歸
6．5 應(yīng)用
6．5．1 背景建模
6．5．2 子空間聚類
6．5．3 人臉識別
6．6 歸納與展望
參考文獻
第7 章深度學習
7．1 概述
7．2 自編碼器
7．2．1 正向傳播與反向傳播
7．2．2 自編碼器架構(gòu)
7．3 卷積神經(jīng)網(wǎng)絡(luò)
7．3．1 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
7．3．2 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型
7．3．3 改進的卷積神經(jīng)網(wǎng)絡(luò)
7．4 遞歸神經(jīng)網(wǎng)絡(luò)
7．4．1 傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)
7．4．2 基于門控單元的遞歸神經(jīng)網(wǎng)絡(luò)
7．4．3 時空遞歸神經(jīng)網(wǎng)絡(luò)
7．4．4 遞歸形狀回歸網(wǎng)絡(luò)
7．4．5 聯(lián)合任務(wù)遞歸學習
7．4．6 輕量級遞歸神經(jīng)網(wǎng)絡(luò)
7．5 生成對抗網(wǎng)絡(luò)
7．5．1 傳統(tǒng)生成對抗網(wǎng)絡(luò)
7．5．2 生成對抗網(wǎng)絡(luò)的變種
7．5．3 ST條件生成對抗網(wǎng)絡(luò)
7．6 圖卷積神經(jīng)網(wǎng)絡(luò)
7．6．1 圖卷積學習
7．6．2 張量圖卷積學習
7．7 應(yīng)用
7．7．1 目標檢測
7．7．2 目標跟蹤
7．7．3 場景理解
7．7．4 圖像重建
7．7．5 社交網(wǎng)絡(luò)
參考文獻