大類別集分類與自適應(yīng)及其在漢字識(shí)別中的應(yīng)用

定　價(jià)：￥39.00

作　者：	張煦堯著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787111713289	出版時(shí)間：	2023-02-01	包裝：	平裝-膠訂
開本：	32開	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《大類別集分類與自適應(yīng)及其在漢字識(shí)別中的應(yīng)用》由中國(guó)科學(xué)院自動(dòng)化研究所副研究員張煦堯博士撰寫。全書從大類別集和非獨(dú)立同分布的角度出發(fā)，分別對(duì)降維、分類器學(xué)習(xí)、分類器自適應(yīng)三方面的研究進(jìn)行了深入的闡述，并且通過實(shí)驗(yàn)證明了在聯(lián)機(jī)及脫機(jī)手寫漢字識(shí)別上本書方法的性能優(yōu)于傳統(tǒng)方法?！洞箢悇e集分類與自適應(yīng)及其在漢字識(shí)別中的應(yīng)用》共六章：第1章首先介紹了研究背景和意義，然后介紹了全書的主要工作、貢獻(xiàn)以及組織結(jié)構(gòu)。第2章首先闡述了FDA和類別可分性問題，然后分析了加權(quán)Fisher準(zhǔn)則，*后提出了一種非參數(shù)加權(quán)Fisher準(zhǔn)則降維方法，并取得了*佳性能。第3章首先回顧了修正二次判別函數(shù)MQDF以及對(duì)它的改進(jìn)方法，然后提出了一種局部平滑的修正二次判別函數(shù)LSMQDF。第4章首先對(duì)書寫人自適應(yīng)的方法進(jìn)行了歷史回顧，然后提出了一種基于風(fēng)格遷移映射的分類器自適應(yīng)框架。第5章首先介紹了模式域分類問題的定義以及相關(guān)歷史，然后提出了一種貝葉斯模式域分類方法，*后在三個(gè)不同類型的實(shí)驗(yàn)數(shù)據(jù)庫(kù)上展示了模式域分類帶來(lái)的性能提升。第6章對(duì)全書的研究工作進(jìn)行了總結(jié)，并對(duì)后續(xù)的研究方向進(jìn)行了展望。

作者簡(jiǎn)介

　　張煦堯，博士，中國(guó)科學(xué)院自動(dòng)化研究所副研究員。2008年獲武漢大學(xué)計(jì)算數(shù)學(xué)學(xué)士學(xué)位，2013年獲中國(guó)科學(xué)院自動(dòng)化研究所模式識(shí)別與智能系統(tǒng)博士學(xué)位，2015年作為國(guó)家公派訪問學(xué)者前往加拿大蒙特利爾大學(xué)。主要研究興趣包括模式識(shí)別、機(jī)器學(xué)習(xí)、文字識(shí)別以及深度學(xué)習(xí)。在模式識(shí)別和人工智能期刊與會(huì)議上（包括P IEEE、IEEE TPAMI、CVPR， ICCV等）發(fā)表論文80余篇。擔(dān)任國(guó)際期刊IEEE Transaction Image Processing和Pattern Recognition的編委。榮獲國(guó)家優(yōu)秀青年科學(xué)基金、吳文俊人工智能優(yōu)秀青年獎(jiǎng)和朱李月華優(yōu)秀教師獎(jiǎng)。

圖書目錄

第1章引言
1.1 背景介紹和研究意義 1
1.1.1 特征描述 2
1.1.2 分類器設(shè)計(jì) 3
1.1.3 分類器自適應(yīng) 5
1.1.4 大類別集漢字識(shí)別 6
1.2 本書主要內(nèi)容及貢獻(xiàn) 7
1.3 本書組織結(jié)構(gòu) 10
第2章基于加權(quán)Fisher準(zhǔn)則的大類別集降維
2.1 引言 12
2.2 FDA和類別可分性問題 16
2.2.1 步：白化（whitening） 17
2.2.2 第二步：白化空間的PCA 18
2.2.3 類別可分性問題 18
2.3 加權(quán)Fisher準(zhǔn)則 20
2.3.1 加權(quán)函數(shù) 22
2.3.2 加權(quán)空間 27
2.4 對(duì)不同加權(quán)Fisher準(zhǔn)則的評(píng)估 29
2.4.1 數(shù)據(jù)集 30
2.4.2 分類器 31
2.4.3 實(shí)驗(yàn)設(shè)置 33
2.4.4 實(shí)驗(yàn)結(jié)果 33
2.4.5 統(tǒng)計(jì)顯著性 38
2.4.6 五種加權(quán)函數(shù)的比較 40
2.4.7 計(jì)算復(fù)雜度比較 40
2.4.8 三種加權(quán)空間的比較 43
2.4.9 空間不變性 45
2.4.10 形近字分析 46
2.5 樣本級(jí)別的加權(quán)Fisher準(zhǔn)則 47
2.5.1 SKNN：樣本級(jí)別的KNN方法 48
2.5.2 漢字識(shí)別中的其他降維方法 49
2.5.3 性能評(píng)估 51
2.6 本章小結(jié) 54
第3章基于局部平滑的修正二次判別函數(shù)
3.1 引言 56
3.1.1 二次判別函數(shù)QDF 56
3.1.2 修正二次判別函數(shù)MQDF 58
3.2 對(duì)MQDF的改進(jìn) 59
3.3 局部平滑的修正二次判別函數(shù)LSMQDF 60
3.3.1 極大似然估計(jì) 61
3.3.2 局部平滑：LSMQDF 62
3.3.3 局部平滑與全局平滑 64
3.4 實(shí)驗(yàn)結(jié)果 65
3.4.1 LSMQDF用于脫機(jī)識(shí)別 65
3.4.2 不同維數(shù)的影響 67
3.4.3 不同訓(xùn)練數(shù)據(jù)量的影響 68
3.4.4 對(duì)K的選擇 68
3.4.5 對(duì)β的選擇 69
3.4.6 LSMQDF用于聯(lián)機(jī)識(shí)別 70
3.5 本章小結(jié) 71
第4章基于風(fēng)格遷移映射的分類器自適應(yīng)
4.1 引言 73
4.2 歷史回顧 76
4.3 風(fēng)格遷移映射 80
4.4 源點(diǎn)集和目標(biāo)點(diǎn)集 83
4.4.1 源點(diǎn)集 83
4.4.2 LVQ的目標(biāo)點(diǎn)集 84
4.4.3 MQDF的目標(biāo)點(diǎn)集 86
4.5 置信度估計(jì) 88
4.6 分類器自適應(yīng) 91
4.6.1 監(jiān)督的自適應(yīng) 91
4.6.2 非監(jiān)督的自適應(yīng) 93
4.6.3 半監(jiān)督的自適應(yīng) 94
4.7 實(shí)驗(yàn)結(jié)果 96
4.7.1 數(shù)據(jù)庫(kù) 96
4.7.2 實(shí)驗(yàn)設(shè)置 98
4.7.3 LVQ自適應(yīng) 100
4.7.4 MQDF自適應(yīng) 103
4.7.5 置信度估計(jì)的影響 109
4.7.6 對(duì)STM和MLLR的比較 111
4.7.7 模型參數(shù)選擇 113
4.8 本章小結(jié) 117
第5章基于風(fēng)格歸一化的模式域分類
5.1 引言 119
5.2 模式域分類簡(jiǎn)介120
5.2.1 歷史回顧 122
5.2.2 本章工作 123
5.3 貝葉斯模式域分類 124
5.3.1 基本假設(shè) 125
5.3.2 模型定義 126
5.3.3 對(duì)未知樣本的預(yù)測(cè) 128
5.3.4 優(yōu)化 130
5.3.5 特殊情況 131
5.4 實(shí)驗(yàn)結(jié)果 134
5.4.1 不同姿態(tài)下的人臉識(shí)別 135
5.4.2 多說(shuō)話者元音分類 136
5.4.3 多書寫人手寫字符識(shí)別 138
5.5 本章小結(jié) 140
第6章總結(jié)和展望
6.1 本書研究成果 142
6.2 未來(lái)工作展望 145