多視圖深度學習方法與應用

目錄
前言
第Ⅰ部分 多視圖學習與深度學習
第1章 多視圖學習概述 3
1.1 背景與意義 4
1.2 多視圖學習研究現狀與進展 5
1.2.1 多視圖聚類方法研究 6
1.2.2 多視圖分類方法研究 9
1.2.3 多視圖回歸方法研究 14
1.2.4 多視圖決策方法研究 15
1.3 多視圖學習研究不足與展望 18
1.4 本書內容安排 19
參考文獻 20
第2章 多視圖學習方法綜述 23
2.1 多視圖特征表示學習 24
2.1.1 基於連接的多視圖特征表示學習 24
2.1.2 基於對齊的多視圖特征表示學習 26
2.1.3 基於共享-獨有的多視圖特征表示學習 29
2.1.4 基於可解釋的多視圖特征表示學習 30
2.2 深度學習 31
2.2.1 深度有監督學習 32
2.2.2 深度半監督學習 33
2.2.3 深度無監督學習 35
2.2.4 深度強化學習 37
2.3 本章小結 39
參考文獻 39
第Ⅱ部分 多視圖特征學習的應用與研究
第3章 基於子空間學習的多視圖特征學習方法 45
3.1 子空間學習概述及本章研究內容 45
3.2 組遞歸鑒別子空間學習 47
3.2.1 樣本集分解與遞歸學習 47
3.2.2 投影向量選擇規則 49
3.2.3 矩陣形式遞歸學習終止準則 50
3.2.4 算法實現步驟 51
3.3 不相關局部敏感多視圖鑒別分析 51
3.3.1 局部敏感多視圖鑒別分析 52
3.3.2 跨視圖的一致性 53
3.3.3 不相關的多視圖變換 54
3.3.4 問題建模與目標函數優化 54
3.4 實驗驗證與有效性評估 56
3.4.1 數據集介紹 56
3.4.2 對比方法及實驗設置 59
3.4.3 分類效果評估 59
3.4.4 GRDSL、ULSMDA關鍵組成部分評估 61
3.4.5 運行時間評估 63
3.4.6 參數敏感性評估 64
3.5 本章小結 65
參考文獻 65
第4章 基於字典學習的多視圖特征學習方法 67
4.1 字典學習定義及本章研究內容 67
4.2 不相關多視圖鑒別字典學習 68
4.2.1 UMD2L方法模型 69
4.2.2 UMD2L目標函數優化 70
4.2.3 基於字典編碼的分類機制 71
4.3 多視圖低秩字典學習 72
4.3.1 MLDL模型 73
4.3.2 MLDL目標函數優化 75
4.3.3 MLDL的分類機制 78
4.4 多視圖低秩共享結構化字典學習 80
4.4.1 MLS2DL模型 80
4.4.2 MLS2DL目標函數優化 82
4.4.3 MLS2DL的分類機制 85
4.5 實驗驗證與有效性評估 86
4.5.1 數據集介紹 86
4.5.2 對比方法及實驗設置 88
4.5.3 分類效果評估 89
4.5.4 UMD2L、MLDL、MLS2DL關鍵組成部分評估 92
4.5.5 運行時間評估 95
4.5.6 參數敏感性評估 96
4.6 本章小結 101
參考文獻 101
第5章 基於半監督鑒別分析的多視圖特征學習方法 103
5.1 半監督鑒別分析定義及本章研究內容 104
5.2 不相關半監督視圖內和視圖間流形鑒別學習 105
5.2.1 SI2MD機制 106
5.2.2 半監督不相關約束 108
5.2.3 USI2MD總目標函數及分類機制 109
5.3 實驗驗證與有效性評估 110
5.3.1 對比方法及實驗設置 110
5.3.2 分類效果評估 111
5.3.3 USI2MD關鍵組成部分評估 113
5.3.4 運行時間評估 113
5.3.5 參數敏感性評估 114
5.4 本章小結 115
參考文獻 115
第Ⅲ部分 多視圖深度表示學習的應用與研究
第6章 基於譜內識別與譜間相關分析深度網絡的多光譜人臉識別方法 119
6.1 多光譜深度學習研究基礎及本章研究內容 120
6.2 基於譜內識別與譜間相關分析的深度識別網絡 121
6.2.1 IDICN模型 121
6.2.2 譜內識別分析 123
6.2.3 譜間相關分析 124
6.2.4 目標函數優化與求解 125
6.3 實驗設置與結果分析 126
6.3.1 HK PolyU多光譜數據集上的實驗結果 128
6.3.2 CMU多光譜數據集上的實驗結果 129
6.3.3 UWA多光譜數據集上的實驗結果 131
6.4 有效性評估 132
6.4.1 識別效果評估 132
6.4.2 譜內識別分析與譜間相關分析重要性評估 133
6.4.3 參數敏感性評估 135
6.5 本章小結 136
參考文獻 136
第7章 基於共享-獨有半監督學習的多視圖深度鑒別表示學習方法 139
7.1 共享-獨有半監督多視圖表示學習研究基礎及本章研究內容 140
7.2 半監督多視圖深度鑒別表示學習 141
7.2.1 共享-獨有多視圖深度鑒別表示學習框架 142
7.2.2 基於深度度量學習和密度聚類的半監督學習方法 144
7.3 典型的多視圖學習任務評估 146
7.3.1 網頁分類 146
7.3.2 圖像分類 148
7.3.3 文檔分類 150
7.4 實驗驗證與有效性評估 152
7.4.1 消融實驗 152
7.4.2 改進對比損失函數的有效性 153
7.4.3 不同對齊策略的影響 155
7.4.4 不同半監督學習策略的影響 155
7.4.5 平衡因子對方法性能的影響 156
7.4.6 訓練時間與收斂性 156
7.5 本章小結 159
參考文獻 159
第8章 基於協同嵌入的多視圖深度表示學習方法 162
8.1 協同嵌入研究基礎及本章研究內容 162
8.2 協同嵌入多視圖表示學習框架 162
8.2.1 本章假設與相似性判斷策略 163
8.2.2 表示學習與坐標對齊 164
8.2.3 多視圖標記傳播算法 168
8.3 實驗驗證與有效性評估 170
8.3.1 數據集介紹 172
8.3.2 分類效果評估 173
8.3.3 特征表示對比 176
8.3.4 參數敏感性評估 179
8.3.5 訓練時間與收斂性 180
8.4 本章小結 182
參考文獻 183
第9章 視圖間具有互補信息交流的多視圖深度表示學習方法 185
9.1 多視圖間信息交流研究基礎及本章研究內容 185
9.2 受人類群體智能啟發的多視圖深度表示學習方法 186
9.2.1 人類交流模型與整體架構 186
9.2.2 單輪視圖交流模型 187
9.2.3 多輪視圖交流模型 191
9.2.4 表示學習與分類 192
9.3 不同領域的多視圖任務評估 193
9.3.1 醫學領域的對比 193
9.3.2 生物信息學領域的對比 195
9.3.3 機器學習領域的對比 195
9.4 實驗驗證與有效性評估 198
9.4.1 視圖交流有效性評估 199
9.4.2 參數敏感性評估 202
9.4.3 互補信息交流普適性 203
9.4.4 與協同學習方法的區別 203
9.5 本章小結 204
參考文獻 204
第10章 語義可解釋多視圖深度表示學習方法 207
10.1 可解釋性多視圖表示學習研究基礎及本章研究內容 208
10.2 基於對齊的語義可解釋多視圖表示學習方法 209
10.2.1 基於對比學習的語義對齊表示學習網絡 209
10.2.2 基於表示激活映射RAM的多視圖語義相關性解釋框架 211
10.2.3 基於類別激活映射CAM的特征重要性解釋方法 213
10.3 實驗設置與結果分析 213
10.3.1 跨視圖檢索實驗 214
10.3.2 基於RAM的語義相關性解釋實驗 215
10.3.3 RAM兼容CAM實驗 220
10.4 有效性評估 222
10.4.1 方法適用場景與先進性 222
10.4.2 方法普適性 223
10.5 本章小結 223
參考文獻 224