|
| |
定 價：119 元
當前圖書已被 41 所學校薦購過！
查看明細 
- 作者：王雪松,張通,程玉虎
- 出版時間：2021/7/1
- ISBN：9787030681294
- 出 版 社：科學出版社
- 中圖法分類：TP181
- 頁碼：
- 紙張：膠版紙
- 版次：
- 開本：16開
零樣本圖像分類主要解決在標記訓練樣本不足以涵蓋所有對象類的情況下，如何對未知新模式進行正確分類的問題，近年來已逐漸成為機器學習領域的研究熱點之一。
利用可見類訓練樣本學習到的分類器對新出現(xiàn)的對象類進行分類識別是非常困難的學習任務�！读銟颖緢D像分類》針對零樣本圖像分類問題從屬性角度入手，基于深度學習及知識挖掘、屬性自適應、屬性擴展和相對屬性4個方面進行展開，分別對應第3～6章、第7～8章、第9～11章和第12～13章，《零樣本圖像分類》共13章。此外，各章內(nèi)容涉及相關領域基礎知識的介紹，能夠為不同層次的讀者與研究人員提供入門知識與參考信息。
更多科學出版社服務，請掃碼獲取。
目錄
第1章 緒論 1
1.1 零樣本圖像分類 1
1.2 零樣本圖像分類發(fā)展現(xiàn)狀 2
1.2.1 屬性知識表示方法研究進展 3
1.2.2 知識遷移與共享方法研究進展 7
1.3 本書主要研究內(nèi)容 10
參考文獻 11
第2章 屬性學習基礎知識 14
2.1 屬性基本概念及特點 14
2.2 二值屬性學習 15
2.2.1 二值屬性基本概念 15
2.2.2 二值屬性分類器學習 16
2.3 相對屬性學習 17
2.3.1 相對屬性基本概念 17
2.3.2 排序?qū)W習 18
2.3.3 相對屬性的應用 19
2.4 基于屬性的零樣本圖像分類 21
2.4.1 間接屬性預測模型 22
2.4.2 直接屬性預測模型 23
參考文獻 24
第3章 基于關聯(lián)概率的間接屬性加權預測模型 26
3.1 系統(tǒng)結(jié)構(gòu) 26
3.2 RP-IAWP模型 27
3.3 RP-IAWP模型權重計算 29
3.4 RP-IAWP模型分析 30
3.5 算法步驟 31
3.6 實驗結(jié)果與分析 31
3.6.1 實驗設置 31
3.6.2 屬性預測實驗 32
3.6.3 零樣本圖像分類實驗 32
3.6.4 權重分析實驗 35
3.7 本章小結(jié) 36
參考文獻 36
第4章 基于深度特征提取的零樣本圖像分類 38
4.1 系統(tǒng)結(jié)構(gòu) 39
4.2 圖像預處理 40
4.3 特征映射矩陣學習 41
4.4 視覺圖像特征學習 43
4.5 算法步驟 44
4.6 實驗結(jié)果與分析 45
4.6.1 實驗設置 45
4.6.2 參數(shù)分析 45
4.6.3 屬性預測實驗 47
4.6.4 零樣本圖像分類實驗 49
4.7 本章小結(jié) 53
參考文獻 54
第5章 基于深度加權屬性預測的零樣本圖像分類 55
5.1 系統(tǒng)結(jié)構(gòu) 56
5.2 基于深度卷積神經(jīng)網(wǎng)絡的屬性學習 57
5.3 基于稀疏表示的屬性-類別關系挖掘 61
5.4 基于直接屬性加權預測的零樣本圖像分類 63
5.5 算法步驟 64
5.6 實驗結(jié)果與分析 65
5.6.1 實驗設置 65
5.6.2 屬性預測實驗 66
5.6.3 零樣本圖像分類實驗 68
5.7 本章小結(jié) 75
參考文獻 75
第6章 基于類別與屬性相關先驗知識挖掘的零樣本圖像分類 77
6.1 系統(tǒng)結(jié)構(gòu) 78
6.2 基于白化余弦相似度的類別-類別相關性挖掘 79
6.3 基于稀疏表示的屬性-類別相關性挖掘 80
6.4 基于稀疏表示的屬性-屬性相關性挖掘 81
6.5 算法時間復雜度 82
6.6 實驗結(jié)果與分析 82
6.6.1 實驗數(shù)據(jù)集 82
6.6.2 參數(shù)分析 82
6.6.3 屬性預測實驗 85
6.6.4 零樣本圖像分類實驗 87
6.7 本章小結(jié) 93
參考文獻 93
第7章 基于自適應多核校驗學習的多源域?qū)傩宰赃m應 94
7.1 系統(tǒng)結(jié)構(gòu) 96
7.2 源域構(gòu)造 97
7.3 特征選擇 99
7.4 基于中心核校準的自適應多核學習 99
7.5 算法步驟 101
7.6 實驗結(jié)果與分析 102
7.6.1 實驗數(shù)據(jù)集 102
7.6.2 參數(shù)分析 102
7.6.3 零樣本圖像分類實驗 105
7.7 本章小結(jié) 115
參考文獻 116
第8章 基于深度特征遷移的多源域?qū)傩宰赃m應 117
8.1 系統(tǒng)結(jié)構(gòu) 118
8.2 多源域構(gòu)造 120
8.3 圖像預處理 120
8.4 深度可遷移特征提取 121
8.5 目標域特征加權 122
8.6 基于稀疏表示的屬性-類別關系挖掘 123
8.7 基于多源決策融合的IAP模型 124
8.8 實驗結(jié)果與分析 125
8.8.1 實驗數(shù)據(jù)集 125
8.8.2 參數(shù)分析 125
8.8.3 零樣本圖像分類實驗 127
8.9 本章小結(jié) 131
參考文獻 133
第9章 基于混合屬性的直接屬性預測模型 134
9.1 研究動機 134
9.2 系統(tǒng)結(jié)構(gòu) 135
9.3 基于HA-DAP的零樣本圖像分類 135
9.3.1 混合屬性的構(gòu)造 135
9.3.2 基于稀疏編碼的非語義屬性學習 137
9.3.3 基于混合屬性的直接屬性預測模型 138
9.4 實驗結(jié)果與分析 140
9.4.1 實驗設置 140
9.4.2 零樣本圖像分類實驗 141
9.5 本章小結(jié) 145
參考文獻 146
第10章 基于關系非語義屬性擴展的自適應零樣本圖像分類 147
10.1 系統(tǒng)結(jié)構(gòu) 148
10.2 關系非語義屬性獲取 149
10.3 域間自適應關系映射 150
10.4 關系非語義屬性擴展的自適應零樣本圖像分類 152
10.5 實驗結(jié)果與分析 153
10.5.1 實驗設置 153
10.5.2 參數(shù)分析 153
10.5.3 關系非語義屬性字典分析 154
10.5.4 零樣本圖像分類實驗 156
10.6 本章小結(jié) 161
參考文獻 161
第11章 基于多任務擴展屬性組的零樣本圖像分類 163
11.1 系統(tǒng)結(jié)構(gòu) 164
11.2 多任務擴展屬性組訓練模型 165
11.3 類別-類別關系矩陣構(gòu)建 167
11.4 基于多任務擴展屬性組的零樣本分類 168
11.5 實驗結(jié)果與分析 169
11.5.1 實驗設置 169
11.5.2 類別關系矩陣構(gòu)建 170
11.5.3 類別與屬性分組構(gòu)建 171
11.5.4 零樣本圖像分類實驗 172
11.6 本章小結(jié) 177
參考文獻 178
第12章 基于共享特征相對屬性的零樣本圖像分類 179
12.1 研究動機 179
12.2 系統(tǒng)結(jié)構(gòu) 180
12.3 基于RA-SF的零樣本圖像分類 181
12.3.1 共享特征學習 182
12.3.2 基于共享特征的相對屬性學習 183
12.3.3 基于共享特征的相對屬性零樣本圖像分類 185
12.4 實驗結(jié)果與分析 186
12.4.1 實驗數(shù)據(jù)集 186
12.4.2 參數(shù)分析 187
12.4.3 共享特征學習實驗 188
12.4.4 屬性排序?qū)嶒?189
12.4.5 零樣本圖像分類實驗 192
12.5 本章小結(jié) 193
參考文獻 194
第13章 基于相對屬性的隨機森林零樣本圖像分類 196
13.1 研究動機 196
13.2 系統(tǒng)結(jié)構(gòu) 197
13.3 基于RF-RA的零樣本圖像分類 197
13.3.1 屬性排序函數(shù)的學習 197
13.3.2 屬性排序得分模型的建立 199
13.3.3 基于相對屬性的隨機森林分類器 200
13.3.4 基于RF-RA的零樣本圖像分類 201
13.4 實驗結(jié)果與分析 202
13.4.1 屬性排序?qū)嶒?202
13.4.2 零樣本圖像分類實驗 204
13.4.3 圖像描述實驗 208
13.5 本章小結(jié) 210
參考文獻 211
|
書單推薦
