基本信息 

书名：	零样本图像分类
作者：	王雪松，张通，程玉虎著
出版社：	科学出版社
出版日期：	2021-07-01
版次：	1
ISBN：	9787030681294
市场价：	119.0

目录 目录 第1章 绪论 1 1.1 零样本图像分类 1 1.2 零样本图像分类发展现状 2 1.2.1 属知识表示方法研究进展 3 1.2.2 知识迁移与共享方法研究进展 7 1.3 本书主要研究内容 10 参考文献 11 第2章 属学习基础知识 14 2.1 属基本概念及特点 14 2.2 二值属学习 15 2.2.1 二值属基本概念 15 2.2.2 二值属分类器学习 16 2.3 相对属学习 17 2.3.1 相对属基本概念 17 2.3.2 排序学习 18 2.3.3 相对属的应用 19 2.4 基于属的零样本图像分类 21 2.4.1 间接属预测模型 22 2.4.2 直接属预测模型 23 参考文献 24 第3章 基于关联概率的间接属加权预测模型 26 3.1 系统结构 26 3.2 RP-IAWP模型 27 3.3 RP-IAWP模型权重计算 29 3.4 RP-IAWP模型分析 30 3.5 算法步骤 31 3.6 实验结果与分析 31 3.6.1 实验设置 31 3.6.2 属预测实验 32 3.6.3 零样本图像分类实验 32 3.6.4 权重分析实验 35 3.7 本章小结 36 参考文献 36 第4章 基于深度特征提取的零样本图像分类 38 4.1 系统结构 39 4.2 图像预处理 40 4.3 特征映射矩阵学习 41 4.4 视觉图像特征学习 43 4.5 算法步骤 44 4.6 实验结果与分析 45 4.6.1 实验设置 45 4.6.2 参数分析 45 4.6.3 属预测实验 47 4.6.4 零样本图像分类实验 49 4.7 本章小结 53 参考文献 54 第5章 基于深度加权属预测的零样本图像分类 55 5.1 系统结构 56 5.2 基于深度卷积神经网络的属学习 57 5.3 基于稀疏表示的属-类别关系挖掘 61 5.4 基于直接属加权预测的零样本图像分类 63 5.5 算法步骤 64 5.6 实验结果与分析 65 5.6.1 实验设置 65 5.6.2 属预测实验 66 5.6.3 零样本图像分类实验 68 5.7 本章小结 75 参考文献 75 第6章 基于类别与属相关先验知识挖掘的零样本图像分类 77 6.1 系统结构 78 6.2 基于白化余弦相似度的类别-类别相关挖掘 79 6.3 基于稀疏表示的属-类别相关挖掘 80 6.4 基于稀疏表示的属-属相关挖掘 81 6.5 算法时间复杂度 82 6.6 实验结果与分析 82 6.6.1 实验数据集 82 6.6.2 参数分析 82 6.6.3 属预测实验 85 6.6.4 零样本图像分类实验 87 6.7 本章小结 93 参考文献 93 第7章 基于自适应多核校验学多源域属自适应 94 7.1 系统结构 96 7.2 源域构造 97 7.3 特征选择 99 7.4 基于中心核校准的自适应多核学习 99 7.5 算法步骤 101 7.6 实验结果与分析 102 7.6.1 实验数据集 102 7.6.2 参数分析 102 7.6.3 零样本图像分类实验 105 7.7 本章小结 115 参考文献 116 第8章 基于深度特征迁移的多源域属自适应 117 8.1 系统结构 118 8.2 多源域构造 120 8.3 图像预处理 120 8.4 深度可迁移特征提取 121 8.5 目标域特征加权 122 8.6 基于稀疏表示的属-类别关系挖掘 123 8.7 基于多源决策融合的IAP模型 124 8.8 实验结果与分析 125 8.8.1 实验数据集 125 8.8.2 参数分析 125 8.8.3 零样本图像分类实验 127 8.9 本章小结 131 参考文献 133 第9章 基于混合属的直接属预测模型 134 9.1 研究动机 134 9.2 系统结构 135 9.3 基于HA-DAP的零样本图像分类 135 9.3.1 混合属的构造 135 9.3.2 基于稀疏编码的非语义属学习 137 9.3.3 基于混合属的直接属预测模型 138 9.4 实验结果与分析 140 9.4.1 实验设置 140 9.4.2 零样本图像分类实验 141 9.5 本章小结 145 参考文献 146 第10章 基于关系非语义属扩展的自适应零样本图像分类 147 10.1 系统结构 148 10.2 关系非语义属获取 149 10.3 域间自适应关系映射 150 10.4 关系非语义属扩展的自适应零样本图像分类 152 10.5 实验结果与分析 153 10.5.1 实验设置 153 10.5.2 参数分析 153 10.5.3 关系非语义属字典分析 154 10.5.4 零样本图像分类实验 156 10.6 本章小结 161 参考文献 161 第11章 基于多任务扩展属组的零样本图像分类 163 11.1 系统结构 164 11.2 多任务扩展属组训练模型 165 11.3 类别-类别关系矩阵构建 167 11.4 基于多任务扩展属组的零样本分类 168 11.5 实验结果与分析 169 11.5.1 实验设置 169 11.5.2 类别关系矩阵构建 170 11.5.3 类别与属分组构建 171 11.5.4 零样本图像分类实验 172 11.6 本章小结 177 参考文献 178 第12章 基于共享特征相对属的零样本图像分类 179 12.1 研究动机 179 12.2 系统结构 180 12.3 基于RA-SF的零样本图像分类 181 12.3.1 共享特征学习 182 12.3.2 基于共享特征的相对属学习 183 12.3.3 基于共享特征的相对属零样本图像分类 185 12.4 实验结果与分析 186 12.4.1 实验数据集 186 12.4.2 参数分析 187 12.4.3 共享特征学习实验 188 12.4.4 属排序实验 189 12.4.5 零样本图像分类实验 192 12.5 本章小结 193 参考文献 194 第13章 基于相对属的森林零样本图像分类 196 13.1 研究动机 196 13.2 系统结构 197 13.3 基于RF-RA的零样本图像分类 197 13.3.1 属排序函数的学习 197 13.3.2 属排序得分模型的建立 199 13.3.3 基于相对属的森林分类器 200 13.3.4 基于RF-RA的零样本图像分类 201 13.4 实验结果与分析 202 13.4.1 属排序实验 202 13.4.2 零样本图像分类实验 204 13.4.3 图像描述实验 208 13.5 本章小结 210 参考文献 211内容介绍 零样本图像分类主要解决在标记训练样本不足以涵盖所有对象类的情况下，如何对未知新模式进行正确分类的问题来已逐渐成为机器学研究热点之一。 利用可见类训练样本学分类器对新出现的对象类进行分类识别是困难的学习任务。《零样本图像分类》针对零样本图像分类问题从属角度入手，基于深度学习及知识挖掘、属自适应、属扩展和相对属4个方面进行展开，分别对应第3～6章、第7～8章、第9～11章和第12～13章，《零样本图像分类》共13章。此外，各章内容涉及相关领域基础知识的介绍，能够为不同层次的读者与研究人员提供入门知识与参考信息。在线试读 媒体评论 本书以属知识表示作为桥梁，利用计算机学习具有语义的对象信息，进而展开零样本图像分类研究。