人工智能：模式識別

楊健，南京理工大學教授、博士生導師，現任南京理工大學計算機學院/人工智能學院院長，長期從事模式識別與計算機視覺、生物特徵識別等方面的研究，主持完成國家自然科學基金重大研究計劃重點項目、國家傑出青年科學基金項目、國家973課題等相關項目。2013年入選國家百千萬人才工程並被授予“有突出貢獻中青年專家”稱號，以及入選2013―2014年度教育部長江學者特聘教授；2018年入選萬人計劃科技創新領軍人才。
他在IEEE Transactions及Pattern Recognition等國際權威SCI期刊和會議上發表論文200餘篇，Google Scholar被引用20 000餘次，單篇**被引4 000餘次，2014―2020連續7年入選愛思唯爾(Elsevier)“中國高被引學者榜”。
他現擔任或曾擔任國際學術期刊Pattern Recognition、IEEE Trans. on Neural Networks and Learning Systems、Pattern Recognition Letters、 Neurocomputing和EEE/CAA Journal of Automatica Sinica等編委。2016年入選國際模式識別學會會士（IAPR Fellow）。他曾獲得國家自然科學二等獎（第二完成人）、省部級一等獎3項（其中第一完成人2項）、第十一屆中國青年科技獎等獎項。

目錄

第1章緒論
1．1模式的基本概念
1．2模式表示學習
1．2．1線性子空間分析
1．2．2基於流形、稀疏與低秩假設的模式表示
1．3模式分類
1 ．3．1貝葉斯分類器
1．3．2最小距離分類器
1．3．3最近鄰分類器
1．3．4 BP神經網絡
1．3．5支持向量機
1．3．6分類器組合
1．4應用算例
1．4．1手寫體數字圖像識別
1．4．2人臉圖像識別
參考文獻

第2章線性子空間表示
2．1主成分分析
2．1．1基本概念
2．1 ．2最小均方誤差逼近
2．1．3 PCA變換的統計不相關性
2．1．4小樣本情況下的主成分分析
2．2線性鑑別分析
2．2．1基本概念
2．2．2經典的費希爾線性鑑別與Foley-Sammon線性鑑別方法
2．2．3具有統計不相關性的線性鑑別分析
2．2．4相關性分析
2．2．5等價的最優鑑別向量集
2 ．2．6幾種等價的費希爾準則
2．3小樣本情況下的線性鑑別分析
2．3．1兩種線性鑑別方法的統一模型
2．3．2壓縮映射基本原理
2．3．3同構映射基本原理
2．3．4奇異情況下線性鑑別分析的實質：PCA+LDA
2．3．5奇異情況下的組合鑑別分析方法
2 ．4二維主成分分析
2．5二維線性鑑別分析
2．5．1基本思想
2．5．2 Liu圖像投影鑑別分析
2．5．3統計不相關的圖像投影鑑別分析
2．5．4圖像鑑別特徵抽取方法
2．5．5相關性分析
2．6應用算例
2．6．1主成分分析
2．6．2線性鑑別分析
2．6．3小樣本情況下的線性鑑別分析
2． 6．4二維主成分分析
2．6．5二維線性鑑別分析
參考文獻

第3章非線性子空間表示
3．1核方法的基本思想
3．2核主成分分析
3．3核費希爾鑑別分析
3．3．1基礎理論
3．3．2最優費希爾鑑別向量的搜尋空間
3．3．3計算費希爾最優鑑別向量的基本思想
3．3．4簡明的KFD算法框架：KPCA+LDA
3．4完整的KFD算法（CKFD）
3．4．1抽取兩種鑑別信息
3．4．2兩種鑑別信息的融合
3．4．3完整的KFD算法步驟
3．4．4與其他KFD方法和LDA方法的關係
3．5應用算例
3．5．1在FERET人臉數據集上的實驗
3．5．2在手寫體數字CENPARMI數據集上的實驗
參考文獻

第4章流形學習
4．1概述
4．2非線性嵌入方法
4．2．1 ISOMAP算法
4．2．2 LLE算法
4．2．3 LE算法
4．2．4 LPP算法
4．2．5 NLPP算法
4．2．6其他非線性嵌入算法
4．3特殊的黎曼流形
4．3．1正交矩陣的格拉斯曼流形
4．3．2非對稱正定矩陣的李群流形
4．3．3對稱正定矩陣的李群流形
4．3．4矩陣流形上的降維算法
4．4流形對齊
4．4．1無監督流形對齊問題描述
4．4．2無監督流形的點點對齊
4 ．4．3無監督流形的分佈對齊
4．5應用
4．5．1圖像分類
4．5．2生物識別
4．5．3域遷移學習
參考文獻

第5章稀疏表示
5．1稀疏表示的基本算法
5．2基於稀疏表示的特徵抽取
5．2．1稀疏主成分分析方法
5．2．2稀疏判別分析方法
5．2．3穩健聯合稀疏嵌入方法
5．3基於稀疏表示的分類
5．3．1稀疏係數的作用
5．3．2表示殘差的正則化
5．3．3稀疏表示分類中的字典學習
5．3．4擴展的稀疏表示分類
5．4稀疏表示的典型應用
5．4．1人臉識別
5．4．2目標跟蹤
5．4．3視覺顯著性檢測
參考文獻

第6章低秩模型
6．1概述
6．2與核範數有關的RPCA
6．2．1 RPCA和穩健矩陣補全
6．2．2雙核範數的矩陣分解
6．2．3雙核範數的歸納式矩陣分解
6 ．2．4顯著性檢測的一個簡單例子
6．3與核範數有關的LRR
6．3．1 LRR和隱式LRR
6．3．2無噪聲LRR的閉解
6．3．3穩健低秩表示
6．3．4非凸低秩表示
6．4與核範數有關的RMR
6．4．1 Lq範數正則核範數的矩陣回歸
6．4．2推廣冪指數分佈的矩陣回歸
6． 4．3樹結構核範數的矩陣回歸
6．4．4貝葉斯相關組的矩陣回歸
6．5應用
6．5．1背景建模
6．5．2子空間聚類
6．5．3人臉識別
6．6歸納與展望
參考文獻

第7章深度學習
7．1概述
7．2自編碼器
7．2．1正向傳播與反向傳播
7．2．2自編碼器架構
7．3捲積神經網絡
7．3．1捲積神經網絡基礎
7．3．2經典捲積神經網絡模型
7．3．3改進的捲積神經網絡
7．4遞歸神經網絡
7．4．1傳統遞歸神經網絡
7． 4．2基於門控單元的遞歸神經網絡
7．4．3時空遞歸神經網絡
7．4．4遞歸形狀回歸網絡
7．4．5聯合任務遞歸學習
7．4．6輕量級遞歸神經網絡
7 ．5生成對抗網絡
7．5．1傳統生成對抗網絡
7．5．2生成對抗網絡的變種
7．5．3 ST條件生成對抗網絡
7．6圖捲積神經網絡
7．6．1圖捲積學習
7．6．2張量圖捲積學習
7．7應用
7．7．1目標檢測
7．7．2目標跟蹤
7．7．3場景理解
7．7．4圖像重建
7．7．5社交網絡
參考文獻