深度學習:基於稀疏和低秩模型 Deep Learning Through Sparse and Low-Rank Modeling

Zhangyang Wang,Yun Fu,Thomas S. Huang 黃智瀕

買這商品的人也買了...

相關主題

商品描述

本書由近幾年發表在各類頂級期刊和國際會議/研討會上的論文集結而成,囊括國內外深度學習研究者的成果。
本書關注經典的稀疏/低秩模型與強調問題特定的先驗性和可解釋性的深度網絡模型的集成,
從而提高模型的學習能力和可解釋性,同時更有效地利用大數據。
書中展示了深度學習工具箱與稀疏/低秩模型和算法的緊密聯繫,
並介紹了這些技術在維度約簡、動作識別、風格識別、
親屬關係理解、圖像除霧以及生物醫學圖像分析等方面的成功應用。
本書適合有一定基礎的讀者閱讀,
可擴展關於理論和分析工具的研究思路,並為深度模型的架構和解釋提供有益的指導。

作者簡介

傅雲(Yun Fu)

美國東北大學工程學院和計算機與信息科學學院的跨學科教師,
研究方向為機器學習、計算智能、大數據挖掘、計算機視覺、模式識別和信息物理融合系統。
他是IAPR和SPIE會士,曾獲得IEEE和IAPR等頒發的多項研究獎勵。

目錄大綱

譯者序
前言
主要作者簡介
所有作者列表
第1章 引言
1.1 深度學習基礎
1.2 稀疏與低秩模型基礎
1.3 連接深度學習與稀疏和低秩模型
1.4 本書章節結構
1.5 參考文獻

第2章 雙層稀疏編碼:高光譜圖像分類示例
2.1 引言
2.2 公式和算法
2.2.1 符號表示
2.2.2 聯合特徵的提取和分類
2.2.3 雙層優化公式
2.2.4 算法
2.3 實驗
2.3.1 對AVIRIS印第安納松樹數據的分類性能
2.3.2 對AVIRIS薩利納斯數據的分類性能
2.3.3 對帕維亞大學數據的分類性能
2.4 結論
2.5 附錄
2.6 參考文獻

第3章 深度l0編碼器:模型展開示例
3.1 引言
3.2 相關工作
3.2.1 基於l0和l1的稀疏近似
3.2.2 l1近似的網絡實現
3.3 深度l0編碼器
3.3.1 深度l0正則化編碼器
3.3.2 深度M稀疏l0編碼器
3.3.3 理論屬性
3.4 任務驅動的優化
3.5 實驗
3.5.1 實現
3.5.2 l0稀疏近似的仿真
3.5.3 在分類上的應用
3.5.4 在聚類上的應用
3.6 結論和關於理論屬性的討論
3.7 參考文獻

第4章 單幅圖像超分辨率:從稀疏編碼到深度學習
4.1 通過具有稀疏先驗的深度網絡實現可靠的單幅圖像超分辨率
4.1.1 引言
4.1.2 相關研究
4.1.3 基於稀疏編碼網絡的圖像SR
4.1.4 用於可擴展SR的網絡級聯
4.1.5 真實場景下的魯棒SR
4.1.6 實現細節
4.1.7 實驗
4.1.8 主觀評價
4.1.9 結論和未來工作
4.2 學習單幅圖像超分辨率的混合深度網絡
4.2.1 引言
4.2.2 所提出的方法
4.2.3 實現細節
4.2.4 實驗結果
4.2.5 結論和未來工作
4.3 參考文獻

第5章 從雙層稀疏聚類到深度聚類
5.1 稀疏編碼和可判別聚類的聯合優化框架
5.1.1 引言
5.1.2 模型表示
5.1.3 面向聚類的成本函數
5.1.4 實驗
5.1.5 結論
5.1.6 附錄
5.2 學習用於聚類的任務特定的深度架構
5.2.1 引言
5.2.2 相關研究
5.2.3 模型表示
5.2.4 深入觀察:DTAGnet的分層聚類
5.2.5 實驗結果
5.2.6 結論
5.3 參考文獻

第6章 信號處理
6.1 深度優化的壓縮傳感技術
6.1.1 背景
6.1.2 壓縮傳感的端到端優化模型
6.1.3 DOCS:前饋CS和聯合優化CS
6.1.4 實驗
6.1.5 結論
6.2 用於語音去噪的深度學習
6.2.1 引言
6.2.2 用於光譜去噪的神經網絡
6.2.3 實驗結果
6.2.4 結論和未來工作
6.3 參考文獻

第7章 維度約簡
7.1 帶有局部限制的邊緣化去噪字典學習
7.1.1 引言
7.1.2 相關研究
7.1.3 帶有局部限制的邊緣化去噪字典學習模型
7.1.4 實驗
7.1.5 結論
7.1.6 未來工作
7.2 學習用於哈希的深度∞編碼器
7.2.1 引言
7.2.2 ADMM算法
7.2.3 深度l∞編碼器
7.2.4 用於哈希的深度∞連體網絡
7.2.5 圖像哈希實驗
7.2.6 結論
7.3 參考文獻

第8章 動作識別
8.1 跨視角動作識別的深度學習的視角不變特徵
8.1.1 引言
8.1.2 相關工作
8.1.3 深度學習的視角不變特徵
8.1.4 實驗
8.2 基於混合神經網絡的深度攝像機動作識別
8.2.1 引言
8.2.2 相關工作
8.2.3 混合卷積遞歸神經網絡
8.2.4 實驗
8.3 結論
8.4 參考文獻

第9章 風格識別和親屬關係理解
9.1 基於深度學習的風格分類
9.1.1 背景
9.1.2 棧式自編碼器的預備知識
9.1.3 風格中心化自編碼器
9.1.4 共識風格中心化自編碼器
9.1.5 實驗
9.2 可視化親屬關係理解
9.2.1 背景
9.2.2 相關工作
9.2.3 家族面部
9.2.4 正則化並行自編碼器
9.2.5 實驗結果
9.3 研究挑戰和未來工作
9.4 參考文獻

第10章 圖像除霧:改進技術
10.1 引言
10.2 回顧和任務描述
10.2.1 霧建模和除霧方法
10.2.2 RESIDE數據集
10.3 任務1:除霧恢復
10.4 任務2:用於檢測的除霧
10.4.1 解決方案集1:增強級聯中的除霧和檢測模塊
10.4.2 解決方案集2:域自適應Mask-RCNN
10.5 結論
10.6 參考文獻

第11章 生物醫學圖像分析:自動肺癌診斷
11.1 引言
11.2 相關研究
11.3 方法論
11.4 實驗
11.5 結論
11.6 致謝
11.7 參考文獻