新書推薦：
《
诛吕：“诸吕之乱”的真相与吕太后时期的权力结构
》
售價：HK$
99.7
《
炙野（全2册）
》
售價：HK$
78.2
《
女人的胜利
》
售價：HK$
55.9
《
数据有道：数据分析+图论与网络+微课+Python编程（鸢尾花数学大系：从加减乘除到机器学习）
》
售價：HK$
266.6
《
500万次倾听：陪伤心的人聊聊
》
售價：HK$
53.8
《
英国商业500年（见证大国崛起与企业兴衰，启迪未来商业智慧。）
》
售價：HK$
80.6
《
万千心理·儿童心理治疗中的心智化：临床实践指导
》
售價：HK$
87.4
《
自我囚禁的人：完美主义的心理成因与自我松绑（破除你对完美主义的迷思，尝试打破自我评价过低与焦虑的恶性循环）
》
售價：HK$
66.1
|
| 編輯推薦： |
1.哈工大（深圳）研究团队多年成果及经验总结；
2.聚焦从不确定性的大数据中提取结构化特征——覆盖广泛数据对象类型；
3.可实现高性能的信息挖掘和知识推断——大大提升多种人工智能应用的效率；
4.介绍大规模多源数据的视觉分析理论和方法，支撑数据聚类分析等方面的研究和应用；
5.构建“基础理论->模型与方法->学习算法->实际应用”循序渐进的体系，帮助读者扎实掌握理论与算法。
|
| 內容簡介： |
结构化表征学习是机器学习研究的核心问题之一，旨在探索如何从高维可观测数据中获取有效的结构化信息表示，以实现高精度、鲁棒、快速的数据分析，是由数据到知识的关键渠道。本书重点介绍如何从具有不确定性的海量大媒体数据中挖掘和提取结构化、鲁棒、高效的特征，并实现高性能的信息挖掘和知识推断。本书内容包含近年来涌现的一些高效、鲁棒的结构化表征学习模型，介绍了基于鲁棒且紧凑的表征学习的一体化表征学习理论和方法，并为应对真实世界中的数据分析任务，如数据简约特征表达、紧凑特征压缩、有效特征筛选以及隐含知识挖掘等，提供了较为全面且切实可靠的解决方案。
本书作者所在的团队多年来一直从事机器学习、计算机视觉、多媒体分析的研究，承担过众多国家级和省部级科研项目，具备从理论研究到工程应用的相关基础。本书是对作者近五年研究成果的总结和梳理，书中介绍的理论和方法能够很好地和实际应用结合在一起，行文流畅易读，适合具有一定专业基础的高年级本科生、研究生，以及相关领域的科研工作者和工程师阅读。
|
| 關於作者： |
张正，哈尔滨工业大学（深圳）副教授、博士生导师，深圳市视觉目标检测与判识重点实验室副主任，IEEE会员，深圳市海外高层次人才。研究方向为机器学习、计算机视觉和多媒体分析， 已发表学术论文100 多篇。博士论文入选中国电子学会优秀博士学位论文。担任多个期刊编委和会议领域主席及高级程序委员会委员。
徐勇，哈尔滨工业大学（深圳）教授、博士生导师，长江学者特聘教授。研究方向为模式识别、生物特征识别、图像处理、深度学习、生物信息学。发表JCR 一区论文100 余篇， 近5年连续入选Elsevier中国高被引学者，并入选“广东省特支计划”“鹏城学者计划”“新世纪优秀人才支持计划”等人才计划。
卢光明，哈尔滨工业大学（深圳）教授、博士生导师、计算机学院副院长，深圳市高层次人才。研究方向为机器学习、计算机视觉、医学图像 信号处理，曾获黑龙江省自然科学一等奖等奖项，获发明专利授权近20 项，出版国际学术专著2 部，发表学术论文100 余篇。
|
| 目錄：
|
第 1 章 绪论 1
1.1 表征学习的概念 1
1.2 结构化表征学习基础 2
1.2.1 结构化表征学习的基础理论和方法 2
1.2.2 结构化表征学习的应用 7
参考文献 8
第 2 章 块对角低秩表征学习 11
2.1 低秩表征学习方法 12
2.2 块对角低秩表征学习的方法设计 13
2.3 块对角低秩表征学习的优化算法 15
2.4 识别算法的设计 18
2.5 块对角低秩表征学习的算法分析 19
2.5.1 收敛性分析 19
2.5.2 计算时间复杂度 20
2.5.3 新样本预测检验 20
2.6 与现有低秩表征学习方法的关系 22
2.6.1 与非负低秩表征稀疏方法的关系 22
2.6.2 与结构化稀疏低秩表征方法的关系 23
2.6.3 与监督正则化鲁棒子空间方法的关系 24
2.7 实验验证 24
2.7.1 实验设置 24
2.7.2 在人脸识别任务中的实验结果 25
2.7.3 在字符识别任务中的实验结果 28
2.7.4 在场景识别任务中的实验结果 30
2.7.5 优势分析 30
2.7.6 算法收敛性实验验证 32
2.7.7 算法参数敏感性经验分析 32
2.8 本章小结 33
参考文献 34
第3 章 判别性弹性网正则化回归表征学习 38
3.1 最小二乘回归方法 39
3.2 基于弹性网正则化的回归表征学习模型 40
3.2.1 一种普适的弹性网正则化回归表征学习框架 40
3.2.2 判别性弹性网正则化回归表征学习模型 42
3.2.3 判别性弹性网正则化回归表征学习的快速模型 43
3.3 模型优化求解和算法分类模型 44
3.3.1 模型的优化求解 44
3.3.2 判别性回归表征空间的构造和算法分类模型 47
3.4 算法分析 48
3.4.1 与经典回归模型的关系 48
3.4.2 时间复杂度和收敛性分析 48
3.5 实验验证 50
3.5.1 对比方法与实验设置 50
3.5.2 在人脸识别任务中的实验结果 51
3.5.3 在物体识别任务中的实验结果 55
3.5.4 在场景识别任务中的实验结果 55
3.5.5 与传统的回归表征学习模型进行对比分析 56
3.5.6 优化算法的收敛条件和参数敏感性经验分析 57
3.5.7 算法效率分析 59
3.6 本章小结 60
参考文献 61
第4 章 边缘结构化表征学习 64
4.1 判别性最小二乘回归方法 65
4.2 边缘结构化表征学习模型 66
4.2.1 损失函数 66
4.2.2 算法复杂度正则项 67
4.2.3 自适应流形结构学习 68
4.3 边缘结构化表征学习算法的优化策略 70
4.3.1 求解优化变量W、A 和B 70
4.3.2 求解优化变量R 71
4.3.3 求解优化变量P 72
4.4 半监督学习模型的扩展 74
4.5 边缘结构化表征学习的算法分析 74
4.5.1 优化算法收敛性的理论分析 74
4.5.2 计算复杂度 75
4.6 实验验证 75
4.6.1 实验设置 76
4.6.2 在物体识别任务中的实验结果 77
4.6.3 在人脸识别任务中的实验结果 79
4.6.4 在纹理识别任务中的实验结果 81
4.6.5 在场景识别任务中的实验结果 82
4.6.6 识别性能对比分析 83
4.6.7 算法参数敏感性经验分析 85
4.6.8 算法收敛性实验验证 87
4.6.9 效率对比分析 88
4.7 本章小结 89
参考文献 89
第5 章 基于联合学习的二值多视图表征学习 93
5.1 二值多视图表征学习框架 95
5.1.1 二值多视图聚类模型 95
5.1.2 高效的可扩展多视图图像聚类分析模型 96
5.2 高效的可扩展多视图图像聚类算法 99
5.3 高效的可扩展多视图图像聚类算法分析 102
5.3.1 收敛性分析 102
5.3.2 复杂度分析 103
5.4 实验验证 103
5.4.1 数据集和评估标准 103
5.4.2 中等规模多视图数据实验验证 104
5.4.3 大规模多视图数据实验验证 107
5.4.4 经验性分析 108
5.4.5 可视化分析 113
5.5 本章小结 115
参考文献 116
第6 章 基于灵活局部结构扩散的广义不完整多视图聚类 120
6.1 多视图聚类方法 122
6.1.1 部分多视图聚类 122
6.1.2 多个不完整视图聚类 123
6.2 基于灵活局部结构扩散的广义不完整多视图聚类模型 123
6.2.1 单视图个体表征学习 124
6.2.2 多视图一致性表征学习 125
6.2.3 自适应加权多视图学习 126
6.2.4 GIMC_FLSD 的总体目标函数 126
6.3 GIMC_FLSD 的优化算法 127
6.4 GIMC_FLSD 的理论分析 129
6.4.1 计算复杂度 129
6.4.2 收敛性分析 130
6.4.3 与其他方法的联系 130
6.5 实验验证 131
6.5.1 实验配置 131
6.5.2 实验结果和分析 133
6.5.3 时间复杂度分析 137
6.5.4 参数灵敏度分析 139
6.5.5 收敛性分析 142
6.6 本章小结 143
参考文献 143
第7 章 可扩展的监督非对称哈希学习 148
7.1 哈希学习方法 149
7.2 可扩展的监督非对称哈希学习模型 151
7.2.1 问题定义 151
7.2.2 方法解析 152
7.3 可扩展的监督非对称哈希表征学习的优化算法 154
7.3.1 交替优化方法 154
7.3.2 收敛性分析 158
7.3.3 算法的样本外扩展问题 158
7.4 实验验证 159
7.4.1 实验数据 159
7.4.2 实验设置 160
7.4.3 在CIFAR-10 图像检索数据集上的实验结果 161
7.4.4 在Caltech-256 目标检索数据集上的实验结果 165
7.4.5 在SUN-397 场景检索数据集上的实验结果 167
7.4.6 在ImageNet 大规模数据集上的实验结果 169
7.4.7 在NUS-WIDE 多实例数据集上的实验结果 171
7.4.8 实验分析和讨论 173
7.5 本章小结 175
参考文献 175
第8 章 深度语义协同哈希学习 181
8.1 哈希学习方法 182
8.2 深度语义协同哈希学习模型 184
8.2.1 问题定义 184
8.2.2 特征嵌入网络 185
8.2.3 类别编码网络 186
8.2.4 构建语义不变结构 186
8.2.5 协同学习 187
8.3 深度语义协同哈希学习的优化算法设计 187
8.3.1 训练策略分析 187
8.3.2 样本扩展问题 188
8.4 实验验证 188
8.4.1 实验设置 189
8.4.2 评估标准 189
8.4.3 在NUS-WIDE 数据集上的实验结果 189
8.4.4 在MIRFlickr 数据集上的实验结果 193
8.4.5 在CIFAR-10 数据集上的实验结果 196
8.4.6 子模块分析 198
8.4.7 参数敏感性分析和可视化结果 199
8.5 本章小结 200
参考文献 201
第9 章 判别性费希尔嵌入字典学习 205
9.1 相关工作 207
9.1.1 符号定义 207
9.1.2 画像定义 207
9.1.3 FDDL 算法 208
9.2 判别性费希尔嵌入字典学习算法 209
9.2.1 判别性费希尔原子嵌入模型 209
9.2.2 判别性费希尔系数嵌入模型 210
9.2.3 DFEDL 算法的目标函数 211
9.3 判别性费希尔嵌入字典学习的优化算法 211
9.4 算法对比与分析 213
9.4.1 DFEDL 算法与FDDL 算法的关系 214
9.4.2 时间复杂度分析 215
9.4.3 收敛性分析 215
9.5 实验验证 216
9.5.1 实验配置 216
9.5.2 数据集描述 217
9.5.3 在深度特征数据集上的实验结果 218
9.5.4 在手工数据集上的实验结果 219
9.5.5 实验结果分析 221
9.5.6 参数敏感性分析 222
9.5.7 实验收敛性分析 223
9.5.8 不同原子数的影响 223
9.5.9 与深度学习模型的对比 224
9.6 本章小结 226
参考文献 227
附录 234
附录A 引理9-1 及其证明过程 234
附录B 引理9-2 及其证明过程 236
附录C 定理9-1 及其证明过程 237
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
