全部商品分类

您现在的位置: 全部商品分类 > 电子电脑 > 电工无线电自动化 > 自动化技术

深度学习(基于稀疏和低秩模型)/智能科学与技术丛书

  • 定价: ¥89
  • ISBN:9787111689348
  • 开 本:16开 平装
  •  
  • 折扣:
  • 出版社:机械工业
  • 页数:220页
  • 作者:编者:王章阳//(美...
  • 立即节省:
  • 2021-09-01 第1版
  • 2021-09-01 第1次印刷
我要买:
点击放图片

导语

  

内容提要

  

    本书由近几年发表在各类顶级期刊和国际会议/研讨会上的论文集结而成,囊括国内外深度学习研究者的成果,突出了稀疏编码和低秩模型对于解决深度学习问题的有效性。
    本书关注经典的稀疏模型和低秩模型与深度网络模型的集成,其中,稀疏和低秩模型强调问题特定的先验性和可解释性,而深度网络模型具有更强的学习能力,同时能更好地利用大数据。书中深入讨论如何将稀疏编码模型自然地转换为深度网络,展示深度学习工具箱与稀疏/低秩模型和算法的紧密联系,并介绍这些技术在维度约简、动作识别、风格识别、亲属关系理解、图像除雾以及生物医学图像分析等方面的成功应用。

目录

译者序
前言
主要作者简介
所有作者列表
第1章  引言
  1.1  深度学习基础
  1.2  稀疏与低秩模型基础
  1.3  连接深度学习与稀疏和低秩模型
  1.4  本书章节结构
  1.5  参考文献
第2章  双层稀疏编码:高光谱图像分类示例
  2.1  引言
  2.2  公式和算法
    2.2.1  符号表示
    2.2.2  联合特征的提取和分类
    2.2.3  双层优化公式
    2.2.4  算法
  2.3  实验
    2.3.1  对AVIRIS印第安纳松树数据的分类性能
    2.3.2  对AVIRIS萨利纳斯数据的分类性能
    2.3.3  对帕维亚大学数据的分类性能
  2.4  结论
  2.5  附录
  2.6  参考文献
第3章  深度l0编码器:模型展开示例
  3.1  引言
  3.2  相关工作
    3.2.1  基于l0和l1的稀疏近似
    3.2.2  l1近似的网络实现
  3.3  深度l0编码器
    3.3.1  深度l0正则化编码器
    3.3.2  深度M稀疏l0编码器
    3.3.3  理论属性
  3.4  任务驱动的优化
  3.5  实验
    3.5.1  实现
    3.5.2  l0稀疏近似的仿真
    3.5.3  在分类上的应用
    3.5.4  在聚类上的应用
  3.6  结论和关于理论属性的讨论
  3.7  参考文献
第4章  单幅图像超分辨率:从稀疏编码到深度学习
  4.1  通过具有稀疏先验的深度网络实现可靠的单幅图像超分辨率
    4.1.1  引言
    4.1.2  相关研究
    4.1.3  基于稀疏编码网络的图像SR
    4.1.4  用于可扩展SR的网络级联
    4.1.5  真实场景下的鲁棒SR
    4.1.6  实现细节
    4.1.7  实验
    4.1.8  主观评价
    4.1.9  结论和未来工作
  4.2  学习单幅图像超分辨率的混合深度网络
    4.2.1  引言
    4.2.2  所提出的方法
    4.2.3  实现细节
    4.2.4  实验结果
    4.2.5  结论和未来工作
  4.3  参考文献
第5章  从双层稀疏聚类到深度聚类
  5.1  稀疏编码和可判别聚类的联合优化框架
    5.1.1  引言
    5.1.2  模型表示
    5.1.3  面向聚类的成本函数
    5.1.4  实验
    5.1.5  结论
    5.1.6  附录
  5.2  学习用于聚类的任务特定的深度架构
    5.2.1  引言
    5.2.2  相关研究
    5.2.3  模型表示
    5.2.4  深入观察:DTAGnet的分层聚类
    5.2.5  实验结果
    5.2.6  结论
  5.3  参考文献
第6章  信号处理
  6.1  深度优化的压缩传感技术
    6.1.1  背景
    6.1.2  压缩传感的端到端优化模型
    6.1.3  DOCS:前馈CS和联合优化CS
    6.1.4  实验
    6.1.5  结论
  6.2  用于语音去噪的深度学习
    6.2.1  引言
    6.2.2  用于光谱去噪的神经网络
    6.2.3  实验结果
    6.2.4  结论和未来工作
  6.3  参考文献
第7章  维度约简
  7.1  带有局部限制的边缘化去噪字典学习
    7.1.1  引言
    7.1.2  相关研究
    7.1.3  带有局部限制的边缘化去噪字典学习模型
    7.1.4  实验
    7.1.5  结论
    7.1.6  未来工作
  7.2  学习用于哈希的深度∞编码器
    7.2.1  引言
    7.2.2  ADMM算法
    7.2.3  深度l∞编码器
    7.2.4  用于哈希的深度∞连体网络
    7.2.5  图像哈希实验
    7.2.6  结论
  7.3  参考文献
第8章  动作识别
  8.1  跨视角动作识别的深度学习的视角不变特征
    8.1.1  引言
    8.1.2  相关工作
    8.1.3  深度学习的视角不变特征
    8.1.4  实验
  8.2  基于混合神经网络的深度摄像机动作识别
    8.2.1  引言
    8.2.2  相关工作
    8.2.3  混合卷积递归神经网络
    8.2.4  实验
  8.3  结论
  8.4  参考文献
第9章  风格识别和亲属关系理解
  9.1  基于深度学习的风格分类
    9.1.1  背景
    9.1.2  栈式自编码器的预备知识
    9.1.3  风格中心化自编码器
    9.1.4  共识风格中心化自编码器
    9.1.5  实验
  9.2  可视化亲属关系理解
    9.2.1  背景
    9.2.2  相关工作
    9.2.3  家族面部
    9.2.4  正则化并行自编码器
    9.2.5  实验结果
  9.3  研究挑战和未来工作
  9.4  参考文献
第10章  图像除雾:改进技术
  10.1  引言
  10.2  回顾和任务描述
    10.2.1  雾建模和除雾方法
    10.2.2  RESIDE数据集
  10.3  任务1:除雾恢复
  10.4  任务2:用于检测的除雾
    10.4.1  解决方案集1:增强级联中的除雾和检测模块
    10.4.2  解决方案集2:域自适应Mask-RCNN
  10.5  结论
  10.6  参考文献
第11章  生物医学图像分析:自动肺癌诊断
  11.1  引言
  11.2  相关研究
  11.3  方法论
  11.4  实验
  11.5  结论
  11.6  致谢
  11.7  参考文献