大類別集分類與自適應(yīng)及其在漢字識別中的應(yīng)用

定　價：￥39.00

作　者：	張煦堯著
出版社：	機械工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111713289	出版時間：	2023-02-01	包裝：	平裝-膠訂
開本：	32開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　《大類別集分類與自適應(yīng)及其在漢字識別中的應(yīng)用》由中國科學(xué)院自動化研究所副研究員張煦堯博士撰寫。全書從大類別集和非獨立同分布的角度出發(fā)，分別對降維、分類器學(xué)習(xí)、分類器自適應(yīng)三方面的研究進行了深入的闡述，并且通過實驗證明了在聯(lián)機及脫機手寫漢字識別上本書方法的性能優(yōu)于傳統(tǒng)方法?！洞箢悇e集分類與自適應(yīng)及其在漢字識別中的應(yīng)用》共六章：第1章首先介紹了研究背景和意義，然后介紹了全書的主要工作、貢獻以及組織結(jié)構(gòu)。第2章首先闡述了FDA和類別可分性問題，然后分析了加權(quán)Fisher準(zhǔn)則，*后提出了一種非參數(shù)加權(quán)Fisher準(zhǔn)則降維方法，并取得了*佳性能。第3章首先回顧了修正二次判別函數(shù)MQDF以及對它的改進方法，然后提出了一種局部平滑的修正二次判別函數(shù)LSMQDF。第4章首先對書寫人自適應(yīng)的方法進行了歷史回顧，然后提出了一種基于風(fēng)格遷移映射的分類器自適應(yīng)框架。第5章首先介紹了模式域分類問題的定義以及相關(guān)歷史，然后提出了一種貝葉斯模式域分類方法，*后在三個不同類型的實驗數(shù)據(jù)庫上展示了模式域分類帶來的性能提升。第6章對全書的研究工作進行了總結(jié)，并對后續(xù)的研究方向進行了展望。

作者簡介

　　張煦堯，博士，中國科學(xué)院自動化研究所副研究員。2008年獲武漢大學(xué)計算數(shù)學(xué)學(xué)士學(xué)位，2013年獲中國科學(xué)院自動化研究所模式識別與智能系統(tǒng)博士學(xué)位，2015年作為國家公派訪問學(xué)者前往加拿大蒙特利爾大學(xué)。主要研究興趣包括模式識別、機器學(xué)習(xí)、文字識別以及深度學(xué)習(xí)。在模式識別和人工智能期刊與會議上（包括P IEEE、IEEE TPAMI、CVPR， ICCV等）發(fā)表論文80余篇。擔(dān)任國際期刊IEEE Transaction Image Processing和Pattern Recognition的編委。榮獲國家優(yōu)秀青年科學(xué)基金、吳文俊人工智能優(yōu)秀青年獎和朱李月華優(yōu)秀教師獎。

圖書目錄

第1章引言
1.1 背景介紹和研究意義 1
1.1.1 特征描述 2
1.1.2 分類器設(shè)計 3
1.1.3 分類器自適應(yīng) 5
1.1.4 大類別集漢字識別 6
1.2 本書主要內(nèi)容及貢獻 7
1.3 本書組織結(jié)構(gòu) 10
第2章基于加權(quán)Fisher準(zhǔn)則的大類別集降維
2.1 引言 12
2.2 FDA和類別可分性問題 16
2.2.1 步：白化（whitening） 17
2.2.2 第二步：白化空間的PCA 18
2.2.3 類別可分性問題 18
2.3 加權(quán)Fisher準(zhǔn)則 20
2.3.1 加權(quán)函數(shù) 22
2.3.2 加權(quán)空間 27
2.4 對不同加權(quán)Fisher準(zhǔn)則的評估 29
2.4.1 數(shù)據(jù)集 30
2.4.2 分類器 31
2.4.3 實驗設(shè)置 33
2.4.4 實驗結(jié)果 33
2.4.5 統(tǒng)計顯著性 38
2.4.6 五種加權(quán)函數(shù)的比較 40
2.4.7 計算復(fù)雜度比較 40
2.4.8 三種加權(quán)空間的比較 43
2.4.9 空間不變性 45
2.4.10 形近字分析 46
2.5 樣本級別的加權(quán)Fisher準(zhǔn)則 47
2.5.1 SKNN：樣本級別的KNN方法 48
2.5.2 漢字識別中的其他降維方法 49
2.5.3 性能評估 51
2.6 本章小結(jié) 54
第3章基于局部平滑的修正二次判別函數(shù)
3.1 引言 56
3.1.1 二次判別函數(shù)QDF 56
3.1.2 修正二次判別函數(shù)MQDF 58
3.2 對MQDF的改進 59
3.3 局部平滑的修正二次判別函數(shù)LSMQDF 60
3.3.1 極大似然估計 61
3.3.2 局部平滑：LSMQDF 62
3.3.3 局部平滑與全局平滑 64
3.4 實驗結(jié)果 65
3.4.1 LSMQDF用于脫機識別 65
3.4.2 不同維數(shù)的影響 67
3.4.3 不同訓(xùn)練數(shù)據(jù)量的影響 68
3.4.4 對K的選擇 68
3.4.5 對β的選擇 69
3.4.6 LSMQDF用于聯(lián)機識別 70
3.5 本章小結(jié) 71
第4章基于風(fēng)格遷移映射的分類器自適應(yīng)
4.1 引言 73
4.2 歷史回顧 76
4.3 風(fēng)格遷移映射 80
4.4 源點集和目標(biāo)點集 83
4.4.1 源點集 83
4.4.2 LVQ的目標(biāo)點集 84
4.4.3 MQDF的目標(biāo)點集 86
4.5 置信度估計 88
4.6 分類器自適應(yīng) 91
4.6.1 監(jiān)督的自適應(yīng) 91
4.6.2 非監(jiān)督的自適應(yīng) 93
4.6.3 半監(jiān)督的自適應(yīng) 94
4.7 實驗結(jié)果 96
4.7.1 數(shù)據(jù)庫 96
4.7.2 實驗設(shè)置 98
4.7.3 LVQ自適應(yīng) 100
4.7.4 MQDF自適應(yīng) 103
4.7.5 置信度估計的影響 109
4.7.6 對STM和MLLR的比較 111
4.7.7 模型參數(shù)選擇 113
4.8 本章小結(jié) 117
第5章基于風(fēng)格歸一化的模式域分類
5.1 引言 119
5.2 模式域分類簡介120
5.2.1 歷史回顧 122
5.2.2 本章工作 123
5.3 貝葉斯模式域分類 124
5.3.1 基本假設(shè) 125
5.3.2 模型定義 126
5.3.3 對未知樣本的預(yù)測 128
5.3.4 優(yōu)化 130
5.3.5 特殊情況 131
5.4 實驗結(jié)果 134
5.4.1 不同姿態(tài)下的人臉識別 135
5.4.2 多說話者元音分類 136
5.4.3 多書寫人手寫字符識別 138
5.5 本章小結(jié) 140
第6章總結(jié)和展望
6.1 本書研究成果 142
6.2 未來工作展望 145