张量分析在计算机视觉中的应用研究
出版时间:
2021-01
版次:
1
ISBN:
9787569037852
定价:
49.00
装帧:
平装
开本:
16开
纸张:
胶版纸
页数:
137页
5人买过
-
随着计算机计算能力的日益增强和存储容量的增长，数据量呈几何级数的增长。尤其是在近年来，高维结构化数据呈现明显增长势头，如图像、视频等数据。大规模高维数据的获取和使用带来了很多新的问题：一方面数据的计算、存储、传输给计算机硬件和网络造成极大的压力，甚至可能造成“维数灾难”，为人类社会带来了负面影响和潜在危机；另一方面是不能被人的感知直接理解及发现数据集内在的规律。
目前数据处理可以分为两大类。一方面不断发展硬件技术，缓解当前数据增长对硬件造成的压力。设计更强大的计算结构，如分布式计算、多核处理器和超级计算机等。但不断增长的数据量和数据复杂度似乎超出了计算能力的增长。另一方面利用原始数据常常包含很多冗余信息甚至是干扰信息，从数据本身出发，借助数据分析方法，对高维数据集采用某种维数约简方法进行降维处理，在降低数据复杂度的同时，保持数据的有用信息。 刘昶，成都大学计算机学院教授，四川师范大学计算机科学学院教授。2010年毕业于四川大学计算机学院，获得工学博士学位；2011-2012年在法国里昂第二大学从事博士后研究工作，现在电子科技大学从事博士后研究工作。研究兴趣包括人工智能、计算机视觉、机器学习、基于脑科学的信息编解码等。先后在国内外学术期刊发表高水平科研论文30余篇，被SCI检索20余篇，主持过国家自然科学基金青年基金项目和四川省科技厅项目。 1 概论
1．1 引言
1．2 国内外研究现状
1．2．1 向量分析
1．2．2 高维分析
1．3 传统方法的优缺点
1．4 本书工作
2 张量代数和张量分析
2．1 张量分析的基本概念
2．2 张量分析的基本数学模型
2．2．1 CP分解模型
2．2．2 Tucker分解模型
2．3 本章小结
3 计算机视觉数据的张量表示
3．1 引言
3．2 计算机视觉数据的特点
3．3 计算机视觉数据的张量表示
3．3．1 基于本征结构的张量表示
3．3．2 基于图像向量的张量表示
3．3．3 基于全局-局部的张量表示
3．3．4 基于Gabor特征的张量表示
3．4 计算机视觉中的投影模型
3．4．1 向量-向量投影
3．4．2 张量-张量投影
3．4．3 张量-向量投影
3．5 图嵌入框架
3．5．1 向量形式
3．5．2 张量形式
3．6 向量表示与张量表示的比较
3．7 本章小结
4 增量张量学习
4．1 引言
4．2 增量张量学习框架
4．3 增量张量主分量分析
4．3．1 张量主分量分析
4．3．2 单样本的增量学习
4．3．3 多样本的增量学习
4．3．4 基于SVD更新的增量学习
4．3．5 应用实例分析
4．4 增量张量判别分析
4．4．1 张量判别分析
4．4．2 单样本的增量学习
4．4．3 多样本的增量学习
4．4．4 性能分析
4．4．5 应用实例分析
4．5 本章小结
……
5 基于张量-张量投影的张量分析
6 基于张量-向量投影的张量分析
7 非负张量分解
8 总结和展望
参考文献
-
内容简介:
随着计算机计算能力的日益增强和存储容量的增长，数据量呈几何级数的增长。尤其是在近年来，高维结构化数据呈现明显增长势头，如图像、视频等数据。大规模高维数据的获取和使用带来了很多新的问题：一方面数据的计算、存储、传输给计算机硬件和网络造成极大的压力，甚至可能造成“维数灾难”，为人类社会带来了负面影响和潜在危机；另一方面是不能被人的感知直接理解及发现数据集内在的规律。
目前数据处理可以分为两大类。一方面不断发展硬件技术，缓解当前数据增长对硬件造成的压力。设计更强大的计算结构，如分布式计算、多核处理器和超级计算机等。但不断增长的数据量和数据复杂度似乎超出了计算能力的增长。另一方面利用原始数据常常包含很多冗余信息甚至是干扰信息，从数据本身出发，借助数据分析方法，对高维数据集采用某种维数约简方法进行降维处理，在降低数据复杂度的同时，保持数据的有用信息。
-
作者简介:
刘昶，成都大学计算机学院教授，四川师范大学计算机科学学院教授。2010年毕业于四川大学计算机学院，获得工学博士学位；2011-2012年在法国里昂第二大学从事博士后研究工作，现在电子科技大学从事博士后研究工作。研究兴趣包括人工智能、计算机视觉、机器学习、基于脑科学的信息编解码等。先后在国内外学术期刊发表高水平科研论文30余篇，被SCI检索20余篇，主持过国家自然科学基金青年基金项目和四川省科技厅项目。
-
目录:
1 概论
1．1 引言
1．2 国内外研究现状
1．2．1 向量分析
1．2．2 高维分析
1．3 传统方法的优缺点
1．4 本书工作
2 张量代数和张量分析
2．1 张量分析的基本概念
2．2 张量分析的基本数学模型
2．2．1 CP分解模型
2．2．2 Tucker分解模型
2．3 本章小结
3 计算机视觉数据的张量表示
3．1 引言
3．2 计算机视觉数据的特点
3．3 计算机视觉数据的张量表示
3．3．1 基于本征结构的张量表示
3．3．2 基于图像向量的张量表示
3．3．3 基于全局-局部的张量表示
3．3．4 基于Gabor特征的张量表示
3．4 计算机视觉中的投影模型
3．4．1 向量-向量投影
3．4．2 张量-张量投影
3．4．3 张量-向量投影
3．5 图嵌入框架
3．5．1 向量形式
3．5．2 张量形式
3．6 向量表示与张量表示的比较
3．7 本章小结
4 增量张量学习
4．1 引言
4．2 增量张量学习框架
4．3 增量张量主分量分析
4．3．1 张量主分量分析
4．3．2 单样本的增量学习
4．3．3 多样本的增量学习
4．3．4 基于SVD更新的增量学习
4．3．5 应用实例分析
4．4 增量张量判别分析
4．4．1 张量判别分析
4．4．2 单样本的增量学习
4．4．3 多样本的增量学习
4．4．4 性能分析
4．4．5 应用实例分析
4．5 本章小结
……
5 基于张量-张量投影的张量分析
6 基于张量-向量投影的张量分析
7 非负张量分解
8 总结和展望
参考文献
查看详情
-
九品
北京市海淀区
平均发货24小时
成功完成率87.03%
-
全新
北京市通州区
平均发货9小时
成功完成率89.46%
-
全新
广东省广州市
平均发货19小时
成功完成率86.52%
-
全新
北京市丰台区
平均发货8小时
成功完成率90.72%
-
八五品
上海市黄浦区
平均发货21小时
成功完成率79.83%
-
九品
浙江省杭州市
平均发货14小时
成功完成率87.11%
-
八五品
江苏省苏州市
平均发货24小时
成功完成率80.52%
-
八五品
江苏省苏州市
平均发货24小时
成功完成率80.52%
-
九品
四川省成都市
平均发货9小时
成功完成率90.79%
-
全新
北京市丰台区
平均发货20小时
成功完成率85.59%
-
全新
广东省广州市
平均发货9小时
成功完成率86.93%
-
九品
浙江省杭州市
平均发货14小时
成功完成率87.11%
-
九品
浙江省杭州市
平均发货14小时
成功完成率87.11%
占位居中
