基本介紹
內容,目錄,
內容
《視覺信息認知計算理論》內容簡介：在眾多的生物系統中，人腦被認為是最高級的生物智慧型系統，它具有感知、識別、學習、聯想、記憶、推理等功能。而在人腦感知的信息中，大部分來自視覺。視覺是人類獲取信息的重要途徑，也是人類對自身研究認識最深刻的部分。因此，研究生物體的視知覺功能，解析其內在機理，並用機器來實現，成為科學研究領域的一個重要方面，它可以為提高機器的智慧型與解決問題的能力提供新的思路。
《視覺信息認知計算理論》可作為計算機科學領域人工智慧、模式識別等專業的研究生教材，也可供相關專業的研究人員參考。
目錄
前言
第1章 概述
1.1 基於感知機理的機器學習方法
1.2 基於有效編碼假說的初級特徵表示
1.2.1 有效編碼假說
1.2.2 模擬人類方式的有效編碼與特徵表示
1.3 視覺表象的中級特徵表示
1.4 初級視覺表象啟發下的知覺組織
1.5 注意機制
1.6 智慧型計算模型在場景識別中的套用
參考文獻
第2章 基於視覺感知的特徵表示
2.1 視覺感知
2.1.1 外部環境的輸入刺激
2.1.2 神經信息處理機制
2.1.3 視覺感知的輸出
2.2 生物視覺感知的生理結構
2.2.1 外周腦
2.2.2 初級視皮層
2.2.3 紋外皮層
2.2.4 高級視皮層
2.3 生物視覺感知的計算模型
2.3.1 簡單細胞回響模型
2.3.2 複雜細胞回響模型
2.3.3 高級皮層神經細胞回響模型
2.4 生物視覺啟發的特徵表示及其套用
2.4.1 獨立紋元矩
2.4.2 獨立紋元矩的圖像檢索實驗
2，5 本章小結
參考文獻
第3章 基於有效編碼假說的低層特徵表示
3.1 有效編碼框架
3.2.1 Olshausen的稀疏編碼模型
3.2.2 基於稀疏編碼的壓縮感測
3.3 基於獨立性的有效編碼
3.3.1 獨立分量分析
3.3.2 基於獨立分量分析的視覺模型
3.3.3 Hyvarinen研究小組的成果
3.4 基於慢變性的有效編碼方法——慢變特徵分析
3.4.1 慢變特徵分析簡介
3.4.2 慢變特徵分析的實現
3.4.3 慢變特徵分析與複雜細胞特性
3.4.4 慢變特徵分析在手寫體識別中的套用
3.5 本章小結
參考文獻
第4章 流形學習
4.1 概述
4.2 局部保持流形學習算法分析
4.2.1 局部保持的流形學習算法的基本步驟
4.2.2 幾種典型的局部保持的流形學習算法
4.2.3 局部保持的流形學習算法對比
4.2.4 全局線性化局部保持的流形學習算法
4.2.5 局部保持的流形學習算法實驗比較
4.3 全局保持的流形學習算法分析
4.3.1 幾種典型的全局保持流形學習算法
4.3.2 全局保持的流形學習算法對比
4.3.3 全局保持的流形學習算法的實驗比較.
4.4 圖嵌入框架
4.4.1 圖嵌入框架
4.4.2 圖嵌入框架下的主成分分析
4.4.3 圖嵌入框架下的判別分析
4.4.4 鄰域判別分析
4.5 本章小結
參考文獻
第5章 半監督學習
5.1 半監督學習和人類學習
5.2 半監督學習概況
5.2.1 半監督學習的概念
5.2.2 半監督學習的歷史
5.2.3 未標記數據起作用的條件
5.3 半監督多視圖學習算法
5.3.1 協同訓練算法
5.3.2 最大化一致算法
5.3.3 多視圖特徵映射算法
5.4 半監督學習的套用
5.4.1 文本分類中的半監督學習
5.5 本章小結
參考文獻
第6章 聚類
6.1 概述
6.2 經典聚類算法
6.2.1 劃分法
6.2.2 層次法
6.3 聚類算法中的關鍵問題
6.3.1 距離度量問題
6.3.2 聚類數目
6.4 聚類分析與算法
6.4.1 譜聚類
6.4.2 異質聚類
6.4.3 基於訊息傳遞的聚類算法
6.4.4 關於二元相似關係的假設
6.5 聚類分析在計算機視覺感知研究中的套用
6.5.1 圖像分割
6.5.2 圖像聚類
6.6 本章小結
參考文獻
第7章 知覺組織
7.1 認知心理學的相關研究成果
7.1.1 格式塔知覺組織規則
7.1.2 視覺完形
7.1.3 非偶然性原則
7.2 無監督的知覺組織方法
7.2.1 編組線索的描述
7.2.2 圖分割
7.2.3 張量投票
7.3 基於主動輪廓的知覺組織方法
7.3.1 氣球模型
7.3.2 距離勢能模型
7.3.3 GVF模型和GGVF模型
7.3.4 T-Snake模型
7.3.5 有形狀先驗的水平集方法
7.4 本章小結
參考文獻
