面向特殊樣本形式的多視角學習問題及其解決方法

目錄
《博士后文庫》序言
前言
第1章 背景 1
第2章 主要問題 4
2.1 實時產(chǎn)生且信息可變 4
2.2 有效樣本信息不足 4
2.2.1 有標簽樣本數(shù)目不足 5
2.2.2 信息缺失 5
2.3 多種樣本信息之間關(guān)聯(lián)復雜 5
2.4 問題展開及本書工作 6
第3章 半監(jiān)督在線多視圖學習機 8
3.1 引言 8
3.1.1 傳統(tǒng)多視圖學習及其問題 8
3.1.2 OPMV的提出 9
3.1.3 OPMV的問題 9
3.1.4 SSOPMV的提出 10
3.2 在線多視圖學習 10
3.2.1 OPMV 10
3.2.2 模型優(yōu)化 11
3.3 半監(jiān)督在線多視圖學習機 12
3.3.1 通過Universum創(chuàng)建額外無標簽樣本 13
3.3.2 SSOPMV的實現(xiàn) 15
3.4 實驗 16
3.4.1 實驗設(shè)置 16
3.4.2 在不經(jīng)常更新的多視圖數(shù)據(jù)集上的測試準確率比較 19
3.4.3 在經(jīng)常更新的多視圖數(shù)據(jù)集上的測試準確率比較 21
3.4.4 不同的額外無標簽樣本生成方法之間的比較 21
3.4.5 在線學習相關(guān)的學習機與整體存儲相關(guān)的學習機的對比 22
3.4.6 有標簽樣本的百分比對學習機性能影響 24
3.4.7 ?t的影響 25
3.5 本章小結(jié) 26
第4章 具有可變特征和視圖的半監(jiān)督在線多視圖學習機 27
4.1 引言 27
4.1.1 傳統(tǒng)的多視圖學習機存在的問題 27
4.1.2 傳統(tǒng)多視圖學習機問題的解決方案 28
4.1.3 SOMVFV的提出、創(chuàng)新點、動機和貢獻 29
4.2 相關(guān)工作 29
4.2.1 半監(jiān)督學習機 29
4.2.2 在線學習機 30
4.2.3 具有可變特征或視圖的多視圖學習機 30
4.3 具有可變特征和視圖的半監(jiān)督在線多視圖學習 31
4.4 實驗 37
4.4.1 實驗設(shè)置 37
4.4.2 在單視圖小規(guī)模數(shù)據(jù)集上分類性能的比較 41
4.4.3 在單視圖大規(guī)模數(shù)據(jù)集上分類性能的比較 43
4.4.4 在多視圖小規(guī)模數(shù)據(jù)集上分類性能的比較 45
4.4.5 在多視圖大規(guī)模數(shù)據(jù)集上分類性能的比較 47
4.5 本章小結(jié) 47
第5章 具有Universum的基于秩一致性的多視圖學習 49
5.1 引言 49
5.1.1 問題和解決方法 49
5.1.2 RANCU的提出和優(yōu)勢 49
5.2 實驗 50
5.2.1 實驗設(shè)置 50
5.2.2 實驗內(nèi)容 51
5.3 本章小結(jié) 54
第6章 改進的具有五層樣本信息的多矩陣學習機 55
6.1 引言 55
6.1.1 背景介紹 55
6.1.2 動機和提出 55
6.1.3 貢獻 56
6.2 使用五種樣本信息提升多矩陣分類器性能 56
6.2.1 創(chuàng)建IBU樣本 56
6.2.2 IMMFI框架 57
6.3 實驗 58
6.3.1 實驗設(shè)置 58
6.3.2 分類性能的比較 59
6.3.3 驗證IMMFI在跟蹤問題中的有效性 60
6.4 本章小結(jié) 60
第7章 基于權(quán)重的無標簽多視圖數(shù)據(jù)集生成方法 62
7.1 引言 62
7.1.1 背景介紹 62
7.1.2 提出、動機和貢獻 63
7.2 基于權(quán)重的未知標簽多視圖數(shù)據(jù)集生成方法 63
7.2.1 基于WMVC獲得視圖和特征的權(quán)重 63
7.2.2 獲得每個已知標簽的多視圖樣本的相似樣本 64
7.2.3 生成可行的未知標簽的多視圖數(shù)據(jù)集 65
7.3 實驗 66
7.3.1 實驗設(shè)置 66
7.3.2 現(xiàn)實數(shù)據(jù)集的性能比較 66
7.4 本章小結(jié) 74
第8章 基于權(quán)重和Universum的半監(jiān)督多視圖學習機 76
8.1 引言 76
8.1.1 重要性體現(xiàn) 76
8.1.2 研究問題 77
8.1.3 研究目標 78
8.1.4 WUSM模型的提出、動機和獨創(chuàng)性 79
8.1.5 貢獻 79
8.2 相關(guān)工作 80
8.2.1 半監(jiān)督多視圖學習機 80
8.2.2 Universum學習 80
8.2.3 構(gòu)造Universum集的方法 81
8.3 基于權(quán)重和Universum的半監(jiān)督多視圖學習機 81
8.3.1 構(gòu)建WUSM的步驟 81
8.3.2 視圖和特征的應用 83
8.3.3 計算復雜度分析 83
8.3.4 收斂性 83
8.3.5 WUSM的優(yōu)勢 84
8.4 實驗 84
8.4.1 實驗設(shè)置 84
8.4.2 不同應用間性能比較 86
8.5 本章小結(jié) 88
第9章 新的具有不完整數(shù)據(jù)的多視圖學習機 90
9.1 引言 90
9.1.1 背景介紹 90
9.1.2 經(jīng)典的學習機 90
9.1.3 問題 91
9.1.4 相應的解決方案 91
9.1.5 貢獻 91
9.2 MVL-IV框架 92
9.3 具有不完整數(shù)據(jù)的多視圖學習機 92
9.3.1 數(shù)據(jù)準備 92
9.3.2 目標及模型 93
9.3.3 模型實現(xiàn) 94
9.3.4 *終流程 95
9.4 實驗 96
9.4.1 實驗設(shè)置 96
9.4.2 回歸問題的比較 97
9.4.3 關(guān)于二分排名問題的比較 102
9.4.4 關(guān)于圖像搜索問題的比較 103
9.4.5 計算復雜度比較 105
9.5 本章小結(jié) 107
第10章 具有不完整視圖和標簽的多視圖多標簽學習 108
10.1 引言 108
10.1.1 多視圖多標簽數(shù)據(jù)集 108
10.1.2 傳統(tǒng)的多視圖多標簽學習機存在的問題及解決方案 108
10.1.3 目標 110
10.1.4 獨創(chuàng)性和貢獻 110
10.2 具有不完整視圖和標簽的多視圖多標簽學習 111
10.2.1 數(shù)據(jù)準備 111
10.2.2 具有標簽特定特征的多視圖多標簽學習 111
10.2.3 具有不完整標簽的多視圖多標簽學習 112
10.2.4 具有不完整視圖的多視圖多標簽學習 112
10.2.5 具有全局和局部關(guān)聯(lián)的多視圖多標簽學習 113
10.2.6 基于不同視圖補充信息的多視圖多標簽學習 114
10.2.7 MVML-IVL*終的目標函數(shù) 114
10.2.8 實現(xiàn) 114
10.3 實驗 115
10.3.1 實驗設(shè)置 115
10.3.2 實驗結(jié)果 119
10.4 本章小結(jié) 123
第11章 基于權(quán)重的典型稀疏跨視圖關(guān)聯(lián)分析 124
11.1 引言 124
11.1.1 背景介紹 124
11.1.2 動機 125
11.1.3 貢獻 126
11.2 相關(guān)工作 126
11.2.1 典型的稀疏跨視圖關(guān)聯(lián)分析 126
11.2.2 全局和局部典型關(guān)聯(lián)分析 127
11.3 基于權(quán)重的典型稀疏跨視圖關(guān)聯(lián)分析 128
11.3.1 基于權(quán)重的典型稀疏跨視圖關(guān)聯(lián)分析 128
11.3.2 核化的WCSCCA 130
11.4 實驗 131
11.4.1 實驗設(shè)置 131
11.4.2 在多特征數(shù)據(jù)集上性能比較 133
11.4.3 在面部數(shù)據(jù)集上性能比較 137
11.5 本章小結(jié) 140
第12章 全局和局部多視圖多標簽學習 142
12.1 引言 142
12.1.1 三種經(jīng)典數(shù)據(jù)集 142
12.1.2 傳統(tǒng)解決方案 142
12.1.3 存在問題 144
12.1.4 相應解決方案 144
12.1.5 獨創(chuàng)性及貢獻 144
12.2 全局和局部多視圖多標簽學習 144
12.2.1 數(shù)據(jù)準備 144
12.2.2 框架 145
12.2.3 解決方案 148
12.2.4 計算復雜度 149
12.3 實驗 149
12.3.1 實驗設(shè)置 149
12.3.2 實驗結(jié)果 150
12.4 本章小結(jié) 159
第13章 當前工作的不足 160
第14章 未來的可研究方向 162
14.1 有約束多關(guān)聯(lián)信息衡量算法 162
14.2 基于量質(zhì)平衡模型及信息熵的信息增強算法 162
14.3 基于可變信息的多視圖在線學習機 163
參考文獻 165
編后記 189
彩圖