時空視頻數據的無監督學習

郭小紅，長期從事航天器系統工程、航天器故障診斷與預測、航天數據分析與應用等。主持“十三五”預先研究項目兩項，其中一項是“天智”領域項目，一項是航天大數據領域項目，對在軌航天器診斷維修和機器學習、大數據挖掘技術進行了較深入的研究，對數據分析和智能化技術有較深刻的理解。發表論文30余篇，申請專利7項，標準2項。曾社出版《脈沖雷達跟蹤測量數據處理技術》。

第1章 無監督視覺學習：從像素到“所見”
1.1 “所見”內涵
1.2 無監督視覺學習的內涵
1.3 時空視覺學習
1.3.1 無監督學習的發展趨勢
1.3.2 無監督視覺學習與格式塔心理學的關系
1.4 無監督學習的原則
1.4.1 背景中的目標
1.4.2 高概率正向特征學習
1.5 圖匹配的無監督學習
1.5.1 圖匹配問題公式化
1.5.2 光譜圖匹配
1.5.3 圖匹配的整數投影固定點算法
1.5.4 圖匹配學習
1.5.5 圖匹配的監督學習
1.5.6 圖匹配的無監督學習
1.6 滿足分類器學習的無監督聚類算法
1.6.1 圖形聚類的整數投影固定點算法
1.6.2 作為圖聚類問題的特征選擇
1.7 視頻對象分割的無監督學習
1.8 時空圖
1.8.1 優化算法
1.8.2 多代師生的無監督分割學習
1.8.3 小結
1.9 後續章節安排
參考文獻
第2章 無監督學習的圖匹配和超圖匹配
2.1 引言
2.2 圖匹配
2.3 超圖匹配
2.4 圖匹配求解
2.4.1 光譜匹配
2.4.2 整數投影固定點算法
2.5 理論分析
2.6 超圖匹配求解
2.7 圖匹配學習
2.7.1 理論分析
2.7.2 圖匹配的監督學習
2.7.3 圖匹配的無監督和半監督學習
2.7.4 成對條件隨機場學習
2.8 超圖匹配學習
2.9 圖匹配實驗
2.9.1 無標簽對應學習
2.9.2 不同圖匹配算法的學習
2.9.3 條件隨機場實驗
2.10 超圖匹配實驗
2.10.1 合成數據
2.10.2 真實圖像實驗
2.10.3 匹配人像
2.10.4 有監督學習和無監督學習的比較
2.11 結論與未來工作
參考文獻
第3章 圖與超圖聚類的無監督學習
3.1 引言
3.2 問題描述
3.3 用於超圖聚類的整數投影固定點算法
3.4 算法理論分析與計算覆雜度
3.5 圖和超圖聚類學習
3.6 三階超圖聚類實驗
3.6.1 線性聚類
3.6.2 仿射不變點匹配
3.7 結論與未來工作
參考文獻
第4章 符合無監督學習的特征選擇
4.1 引言
4.1.1 無監督特征選擇與無監督學習原則的關系
4.1.2 特征標記的意義
4.2 數學表述
4.2.1 監督學習
4.2.2 無監督學習的特征標記
4.2.3 客觀事實
4.3 通過整數投影固定點聚類進行特征選擇和學習
4.4 實驗分析
4.4.1 比較實驗
4.4.2 與支持向量機算法的其他比較
4.5 有限訓練數據的影響
4.5.1 根據有限數據估算特征符號
4.5.2 改變無監督數據量
4.6 所選特征的直觀感受
4.7 結論與未來工作
參考文獻
第5章 面向高概率正向特征視頻對象分割的無監督學習
5.1 從簡單視頻特征提取到無監督視頻分割
5.2 一種無監督圖像分割的簡單方法
5.3 無監督的視頻背景抽取
5.4 利用高概率正向特征進行無監督視頻分割
5.4.1 利用高概率正向特征進行學習
5.4.2 描述符學習
5.4.3 外觀與運動的結合
5.5 實驗分析
5.5.1 YouTube目標數據集的測試
5.5.2 SegTrack v2數據集的測試
5.5.3 計算時間
5.6 結論與未來工作
參考文獻
第6章 外觀和運動的耦合：對象分割的無監督聚類算法
6.1 引言
6.1.1 本章算法與無監督學習原則的關系
6.1.2 科學背景
6.2 光譜分割算法
6.2.1 構建時空圖
6.2.2 分割光譜聚類
6.2.3 利用冪疊代算法優化
6.3 理論性質
6.3.1 收斂分析
6.3.2 特征-運動矩陣
6.4 實驗分析
6.4.1 初始化分割的作用
6.4.2 節點特征的作用
6.4.3 光流鏈的作用
6.4.4 覆雜性分析與計算成本
6.4.5 結果分析
6.5 結論與未來工作
參考文獻
第7章 時空中的多代師生網絡無監督學習
7.1 引言
7.2 科學背景
7.3 多代師生學習
7.4 師生系統架構
7.4.1 學生分支：單圖像分割
7.4.2 老師分支：無監督目標發現
7.4.3 無監督軟掩碼選擇
7.4.4 實施步驟
7.5 實驗分析
7.5.1 消融研究
7.5.2 前景分割測試
7.5.3 遷移學習測試
7.5.4 實驗總結
7.6 關於無監督學習的總結性討論
7.7 結論與未來工作
參考文獻
第8章 面向未來的無監督學習
8.1 引言
8.2 時空中的遞歸圖神經網絡
8.2.1 科學背景
8.2.2 遞歸時空圖模型
8.2.3 運動和形狀的學習模式實驗
8.2.4 學習覆雜的人與對象交互關系實驗
8.3 整合
8.3.1 幾何層面的一致性
8.3.2 語義層面的一致性
8.3.3 作為高概率正向特征的一致性原則
8.3.4 高概率正向特征的運動模式
8.3.5 多代師生
8.3.6 構建視覺故事網絡模塊
8.4 視覺故事圖神經網絡的開端
8.4.1 分類器間高度的相互關聯性
8.4.2 原則8與自適應共振理論的關系
8.4.3 多