摘要
ABSTRACT
插图索引
表格索引
第1章 引言
1.1.定义
1.2.产生式模型应用
1.2.1.样本分布的线性子空间模型:PCA和ICA
1.2.2.样本分布的非线性模型:流形(Manifold)
1.2.3.两维可变形模型:EBGM、Pictorial Structure和ASM/AAM
1.2.4.三维可变形人脸模型
1.3.判别式模型应用
1.3.1.基于Fisher判别准则的LDA及其变种
1.3.2.最近邻分类器及判别式距离度量学习
1.3.3.神经网络(Neuro-Net)和支撑向量机(SVM)
1.3.4.Adaboost
1.4.现有产生式和判别式模型中的若干问题
1.5.论文的研究目标和创新点
1.6.论文的结构安排
第2章 产生式模型:基于非线性流形分布模型的识别
2.1.流形概述
2.2.流形学习(非线性降维)算法
2.2.1.Isomap
2.2.2.Local Linear Embedding\(LLE\)
2.2.3.Laplacian Eigenmala
2.2.4.其它流形学习算法
2.3.通过学习扩展到新样本
2.4.实验和结果
2.4.1.合成数据
2.4.2.人脸流形可视化
2.4.3.人脸识别
2.5.小结
第3章 产生式模型:基于三维可变形模型的识别
3.1.识别框架概述
3.2.三维可变形人脸模型
3.3.隐变量的推断:三维人脸重建
3.3.1.三维模型的两维投影
3.3.2.三维人脸形状重建
3.3.3.纹理映射
3.4.实验和结果
3.4.1.CMU-PIE库
3.4.2.大规模中国人脸库
3.5.小结
第4章 判别式模型:基于动态最近中心互斥准则的识别
4.1.LDA在多类判别中的次优问题
4.2.动态最近中心互斥(DNCR)准则
4.2.1.算法
4.2.2.确定性退火
4.2.3.统一LDA、aPAC和DNCR的理论框架
4.3.放松样本分布的参数模型假设
4.3.1.核化的动态最近中心互斥(KDNCR)
4.3.2.非参数的动态最近邻分析(DNNA)
4.4.实验和结果
4.4.1.合成数据
4.4.2.人脸识别
4.5.小结
第5章 判别式模型:利用编码理论将两类问题扩展至多类
5.1.处理两类问题的判别式方法及其至多类问题的扩展
5.2.相关工作
5.3.数据辅助的输出编码(DAOC)
5.3.1.编码
5.3.2.解码
5.4.实验和结果
5.4.1.机器学习数据库
5.4.2.人脸识别
5.5.小结
第6章 利用产生式模型SOM~2提高判别式模型LDA的泛化能力
6.1.LDA判别空间的泛化问题
6.2.SOM~2网络的结构与算法
6.3.用代表类提高LDA泛化能力
6.3.1.代表类的学习
6.3.2.代表类数的估计
6.4.实验和结果
6.4.1.合成数据
6.4.2.虚拟人脸图像
6.4.3.人脸识别
6.5.小结
第7章 结论和展望
7.1.全文研究工作总结
7.2.未来研究展望
参考文献
攻读博士学位期间发表的学术论文
致谢
