张量分析在计算机视觉中的应用研究PDF电子书下载

查看更多关于的内容

1概论 1

1.1引言 1

1.2国内外研究现状 2

1.2.1向量分析 2

1.2.2高维分析 17

1.3传统方法的优缺点 22

1.4本书工作 23

2张量代数和张量分析 25

2.1张量分析的基本概念 25

2.2张量分析的基本数学模型 28

2.2.1 CP分解模型 28

2.2.2 Tucker分解模型 32

2.3本章小结 37

3计算机视觉数据的张量表示 38

3.1引言 38

3.2计算机视觉数据的特点 38

3.3计算机视觉数据的张量表示 40

3.3.1基于本征结构的张量表示 40

3.3.2基于图像向量的张量表示 41

3.3.3基于全局-局部的张量表示 41

3.3.4基于Gabor特征的张量表示 42

3.4计算机视觉中的投影模型 43

3.4.1向量-向量投影 43

3.4.2张量-张量投影 44

3.4.3张量-向量投影 45

3.5图嵌入框架 46

3.5.1向量形式 47

3.5.2张量形式 47

3.6向量表示与张量表示的比较 48

3.7本章小结 49

4增量张量学习 50

4.1引言 50

4.2增量张量学习框架 51

4.3增量张量主分量分析 51

4.3.1张量主分量分析 51

4.3.2单样本的增量学习 55

4.3.3多样本的增量学习 56

4.3.4基于SVD更新的增量学习 59

4.3.5应用实例分析 62

4.4增量张量判别分析 65

4.4.1张量判别分析 65

4.4.2单样本的增量学习 68

4.4.3多样本的增量学习 70

4.4.4性能分析 73

4.4.5应用实例分析 73

4.5本章小结 75

5基于张量-张量投影的张量分析 76

5.1引言 76

5.2张量-张量投影收敛性分析 77

5.3正交保局投影算法 79

5.4监督保局张量投影 81

5.5应用实例分析 83

5.6本章小结 88

6基于张量-向量投影的张量分析 89

6.1引言 89

6.2张量-向量投影学习能力分析 90

6.3正交秩1张量 91

6.4扩展的图嵌入框架及求解分析 92

6.5监督张量正交秩1投影 96

6.6应用实例分析 98

6.7本章小结 101

7非负张量分解 102

7.1引言 102

7.2高维数据的非负分解 102

7.2.1非负矩阵分解 102

7.2.2非负张量分解 104

7.3正交非负张量分解 105

7.4监督正交非负张量分解 109

7.5应用实例分析 113

7.6本章小结 118

8总结和展望 119

参考文献 122

查看更多关于的内容