基于多视角学习的图像语义分析技术

　　图像具有生动直观、表现力强等特点，面向图像数据的语义分析方法受到研究者的广泛关注。然而，仅仅利用单一视觉特征在表示图像内容时的描述能力有限，为了更加全面丰富的描述图像，可以利用图像多个视角的特征，让不同视角之间相互补充、相互促进，从而更好的发现图像的高层语义。本书将详细介绍目前主流的基于多视角融合的图像降维、图像聚类和图像标注技术。为了对高维度的图像特征的进行降维，提出基于双阶段子空间学习的多视角降维方法；针对统一融合权重导致多视角融合不准确的问题，提出基于分组敏感多视角融合的图像聚类方法；针对底层多视角特征与高层语义之间存在“语义鸿沟”的问题，提出图像多视角表示与标注的联合学习方法。本书还根据在不同的数据库上的对比实验显示本书所提方法的有效性。

　　薛哲，北京邮电大学讲师，毕业于中国科学院大学，从事多媒体分析、图像处理、机器学习等领域的研究工作，在国际重要刊物和著名学术会议上已发表论文十余篇。论文发表在IEEE TCSVT（CCF B类）、Information Sciences（CCF B类）、CVIU（CCF B类）等国际期刊，以及国际会议AAAI（CCF A类）和知名国际会议ICME（CCF B类）等。作为核心人员先后参加了多项科研项目，包括国家973课题“跨媒体语义学习与内容理解”、国家自然科学基金重点项目“面向网络事件的跨平台异质媒体语义协同与挖掘”和“基于时空特性的在线社交网络搜索研究”等。

目录第1章绪论
1.1研究背景
1.2存在的问题
1.3本书主要内容
1.4符号说明
第2章研究现状
2.1本章导读
2.2基本准则
2.2.1一致性准则
2.2.2互补性准则
2.3方法分类
2.3.1协同训练
2.3.2多核学习
2.3.3子空间学习
第3章基于分组敏感多视角融合的图像聚类方法研究
3.1本章导读
3.2相关工作
3.3基于分组敏感多视角融合的图像聚类
3.3.1预备知识
3.3.2方法概述
3.3.3初始化
3.3.4基于成对融合的策略（GOMES_P)
3.3.5基于中心融合的策略（GOMES_C)
3.3.6更新图像分组Z
3.4实验
3.4.1对比方法
3.4.2数据集
3.4.3实验设置
3.4.4评价准则
3.4.5实验结果分析
3.4.6参数敏感性分析
3.5小结
第4章基于双阶段子空间学习的多视角降维方法研究
4.1本章导读
4.2相关工作
4.3双阶段多视角隐空间学习
4.3.1预备知识
4.3.2阶段：可比较表示学习
4.3.3第二阶段：低维表示学习
4.3.4总的目标函数
4.4优化求解
4.4.1更新变量U(i),V(i), Z(i)
4.4.2更新变量F
4.4.3更新变量γi
4.4.4收敛性分析
4.5实验
4.5.1数据库
4.5.2对比方法
4.5.3评价准则
4.5.4实验设置
4.5.5实验结果
4.5.6参数敏感性分析
4.6本章小结
第5章图像多视角表示与标注的联合学习方法研究
5.1本章导读
5.2相关工作
5.3图像多视角表示与标注的联合学习方法
5.3.1预备知识
5.3.2基于语义信息指导和多视角结构保留的子空间学习
5.3.3标签预测器学习
5.3.4投影函数学习
5.3.5总的目标函数
5.3.6优化算法
5.3.7更新P
5.3.8更新Z
5.3.9更新αt
5.4实验
5.4.1数据集
5.4.2对比方法
5.4.3评价准则
5.4.4实验设置
5.4.5实验分析
5.4.6参数敏感性分析
5.5本章小结
第6章基于深度低秩子空间集成学习的图像聚类方法研究
6.1本章导读
6.2相关工作
6.2.1基于多核/多图学习的方法
6.2.2基于子空间学习的方法
6.2.3基于深度学习的方法
6.3基于深度低秩子空间集成学习的图像聚类方法
6.3.1预备知识
6.3.2深度低秩子空间学习
6.3.3多视角多层次子空间集成学习
6.3.4终目标函数
6.4优化求解
6.4.1预训练
6.4.2Z(v)i的更新规则
6.4.3H(v)i的更新规则
6.4.4S(v)i的更新规则
6.4.5F的更新规则
6.4.6α的更新规则
6.4.7时间复杂度分析
6.5实验
6.5.1数据集
6.5.2比较方法和评估指标
6.5.3参数设置与收敛分析
6.5.4性能比较
6.5.5参数敏感性分析
6.6结论
第7章结束语
参考文献