书籍详情
大类别集分类与自适应及其在汉字识别中的应用
作者：张煦尧 著
出版社：机械工业出版社
出版时间：2023-02-01
ISBN：9787111713289
定价：¥39.00
购买这本书可以去
内容简介
《大类别集分类与自适应及其在汉字识别中的应用》由中国科学院自动化研究所副研究员张煦尧博士撰写。全书从大类别集和非独立同分布的角度出发，分别对降维、分类器学习、分类器自适应三方面的研究进行了深入的阐述，并且通过实验证明了在联机及脱机手写汉字识别上本书方法的性能优于传统方法。《大类别集分类与自适应及其在汉字识别中的应用》共六章：第1章首先介绍了研究背景和意义，然后介绍了全书的主要工作、贡献以及组织结构。第2章首先阐述了FDA和类别可分性问题，然后分析了加权Fisher准则，*后提出了一种非参数加权Fisher准则降维方法，并取得了*佳性能。第3章首先回顾了修正二次判别函数MQDF以及对它的改进方法，然后提出了一种局部平滑的修正二次判别函数LSMQDF。第4章首先对书写人自适应的方法进行了历史回顾，然后提出了一种基于风格迁移映射的分类器自适应框架。第5章首先介绍了模式域分类问题的定义以及相关历史，然后提出了一种贝叶斯模式域分类方法，*后在三个不同类型的实验数据库上展示了模式域分类带来的性能提升。第6章对全书的研究工作进行了总结，并对后续的研究方向进行了展望。
作者简介
张煦尧，博士，中国科学院自动化研究所副研究员。2008年获武汉大学计算数学学士学位，2013年获中国科学院自动化研究所模式识别与智能系统博士学位，2015年作为国家公派访问学者前往加拿大蒙特利尔大学。主要研究兴趣包括模式识别、机器学习、文字识别以及深度学习。在模式识别和人工智能期刊与会议上（包括P IEEE、IEEE TPAMI、CVPR， ICCV等）发表论文80余篇。担任国际期刊IEEE Transaction Image Processing和Pattern Recognition的编委。荣获国家优秀青年科学基金、吴文俊人工智能优秀青年奖和朱李月华优秀教师奖。
目录
第1章 引言
1.1 背景介绍和研究意义 1
1.1.1 特征描述 2
1.1.2 分类器设计 3
1.1.3 分类器自适应 5
1.1.4 大类别集汉字识别 6
1.2 本书主要内容及贡献 7
1.3 本书组织结构 10
第2章 基于加权Fisher准则的大类别集降维
2.1 引言 12
2.2 FDA和类别可分性问题 16
2.2.1 步：白化（whitening） 17
2.2.2 第二步：白化空间的PCA 18
2.2.3 类别可分性问题 18
2.3 加权Fisher准则 20
2.3.1 加权函数 22
2.3.2 加权空间 27
2.4 对不同加权Fisher准则的评估 29
2.4.1 数据集 30
2.4.2 分类器 31
2.4.3 实验设置 33
2.4.4 实验结果 33
2.4.5 统计显著性 38
2.4.6 五种加权函数的比较 40
2.4.7 计算复杂度比较 40
2.4.8 三种加权空间的比较 43
2.4.9 空间不变性 45
2.4.10 形近字分析 46
2.5 样本级别的加权Fisher准则 47
2.5.1 SKNN：样本级别的KNN方法 48
2.5.2 汉字识别中的其他降维方法 49
2.5.3 性能评估 51
2.6 本章小结 54
第3章 基于局部平滑的修正二次判别函数
3.1 引言 56
3.1.1 二次判别函数QDF 56
3.1.2 修正二次判别函数MQDF 58
3.2 对MQDF的改进 59
3.3 局部平滑的修正二次判别函数LSMQDF 60
3.3.1 极大似然估计 61
3.3.2 局部平滑：LSMQDF 62
3.3.3 局部平滑与全局平滑 64
3.4 实验结果 65
3.4.1 LSMQDF用于脱机识别 65
3.4.2 不同维数的影响 67
3.4.3 不同训练数据量的影响 68
3.4.4 对K的选择 68
3.4.5 对β的选择 69
3.4.6 LSMQDF用于联机识别 70
3.5 本章小结 71
第4章 基于风格迁移映射的分类器自适应
4.1 引言 73
4.2 历史回顾 76
4.3 风格迁移映射 80
4.4 源点集和目标点集 83
4.4.1 源点集 83
4.4.2 LVQ的目标点集 84
4.4.3 MQDF的目标点集 86
4.5 置信度估计 88
4.6 分类器自适应 91
4.6.1 监督的自适应 91
4.6.2 非监督的自适应 93
4.6.3 半监督的自适应 94
4.7 实验结果 96
4.7.1 数据库 96
4.7.2 实验设置 98
4.7.3 LVQ自适应 100
4.7.4 MQDF自适应 103
4.7.5 置信度估计的影响 109
4.7.6 对STM和MLLR的比较 111
4.7.7 模型参数选择 113
4.8 本章小结 117
第5章 基于风格归一化的模式域分类
5.1 引言 119
5.2 模式域分类简介120
5.2.1 历史回顾 122
5.2.2 本章工作 123
5.3 贝叶斯模式域分类 124
5.3.1 基本假设 125
5.3.2 模型定义 126
5.3.3 对未知样本的预测 128
5.3.4 优化 130
5.3.5 特殊情况 131
5.4 实验结果 134
5.4.1 不同姿态下的人脸识别 135
5.4.2 多说话者元音分类 136
5.4.3 多书写人手写字符识别 138
5.5 本章小结 140
第6章 总结和展望
6.1 本书研究成果 142
6.2 未来工作展望 145
1.1 背景介绍和研究意义 1
1.1.1 特征描述 2
1.1.2 分类器设计 3
1.1.3 分类器自适应 5
1.1.4 大类别集汉字识别 6
1.2 本书主要内容及贡献 7
1.3 本书组织结构 10
第2章 基于加权Fisher准则的大类别集降维
2.1 引言 12
2.2 FDA和类别可分性问题 16
2.2.1 步：白化（whitening） 17
2.2.2 第二步：白化空间的PCA 18
2.2.3 类别可分性问题 18
2.3 加权Fisher准则 20
2.3.1 加权函数 22
2.3.2 加权空间 27
2.4 对不同加权Fisher准则的评估 29
2.4.1 数据集 30
2.4.2 分类器 31
2.4.3 实验设置 33
2.4.4 实验结果 33
2.4.5 统计显著性 38
2.4.6 五种加权函数的比较 40
2.4.7 计算复杂度比较 40
2.4.8 三种加权空间的比较 43
2.4.9 空间不变性 45
2.4.10 形近字分析 46
2.5 样本级别的加权Fisher准则 47
2.5.1 SKNN：样本级别的KNN方法 48
2.5.2 汉字识别中的其他降维方法 49
2.5.3 性能评估 51
2.6 本章小结 54
第3章 基于局部平滑的修正二次判别函数
3.1 引言 56
3.1.1 二次判别函数QDF 56
3.1.2 修正二次判别函数MQDF 58
3.2 对MQDF的改进 59
3.3 局部平滑的修正二次判别函数LSMQDF 60
3.3.1 极大似然估计 61
3.3.2 局部平滑：LSMQDF 62
3.3.3 局部平滑与全局平滑 64
3.4 实验结果 65
3.4.1 LSMQDF用于脱机识别 65
3.4.2 不同维数的影响 67
3.4.3 不同训练数据量的影响 68
3.4.4 对K的选择 68
3.4.5 对β的选择 69
3.4.6 LSMQDF用于联机识别 70
3.5 本章小结 71
第4章 基于风格迁移映射的分类器自适应
4.1 引言 73
4.2 历史回顾 76
4.3 风格迁移映射 80
4.4 源点集和目标点集 83
4.4.1 源点集 83
4.4.2 LVQ的目标点集 84
4.4.3 MQDF的目标点集 86
4.5 置信度估计 88
4.6 分类器自适应 91
4.6.1 监督的自适应 91
4.6.2 非监督的自适应 93
4.6.3 半监督的自适应 94
4.7 实验结果 96
4.7.1 数据库 96
4.7.2 实验设置 98
4.7.3 LVQ自适应 100
4.7.4 MQDF自适应 103
4.7.5 置信度估计的影响 109
4.7.6 对STM和MLLR的比较 111
4.7.7 模型参数选择 113
4.8 本章小结 117
第5章 基于风格归一化的模式域分类
5.1 引言 119
5.2 模式域分类简介120
5.2.1 历史回顾 122
5.2.2 本章工作 123
5.3 贝叶斯模式域分类 124
5.3.1 基本假设 125
5.3.2 模型定义 126
5.3.3 对未知样本的预测 128
5.3.4 优化 130
5.3.5 特殊情况 131
5.4 实验结果 134
5.4.1 不同姿态下的人脸识别 135
5.4.2 多说话者元音分类 136
5.4.3 多书写人手写字符识别 138
5.5 本章小结 140
第6章 总结和展望
6.1 本书研究成果 142
6.2 未来工作展望 145
猜您喜欢
