新書推薦：
《
走出丛林：造字时代的人与动物
》
售價：NT$
313.0
《
美洲：定义原始之美（毕淑敏远行系列）
》
售價：NT$
339.0
《
蹒跚前行：1870—2010年全球经济史
》
售價：NT$
691.0
《
极地竞赛：19世纪南极开发史（精装典藏版）
》
售價：NT$
373.0
《
跆拳道运动入门教程 精编视频学习版
》
售價：NT$
215.0
《
AI大战略
》
售價：NT$
427.0
《
彼特拉克的战争：黑死病阴霾下的佛罗伦萨（新史学译丛）
》
售價：NT$
497.0
《
甲申三百年祭（纪念集）
》
售價：NT$
161.0
|
| 編輯推薦： |
|
适读人群 ：研究生、科研人员、从业者等◆中国计算机领域具有重要突破或重要创新的博士研究生科研成果◆2014年度CCF优秀博士学位论文奖◆致力于突破传统方法的局限◆打破独立同分布的假设
|
| 內容簡介： |
|
《大类别集分类与自适应及其在汉字识别中的应用》由中国科学院自动化研究所副研究员张煦尧博士撰写。全书从大类别集和非独立同分布的角度出发，分别对降维、分类器学习、分类器自适应三方面的研究进行了深入的阐述，并且通过实验证明了在联机及脱机手写汉字识别上本书方法的性能优于传统方法。《大类别集分类与自适应及其在汉字识别中的应用》共六章：第1章首先介绍了研究背景和意义，然后介绍了全书的主要工作、贡献以及组织结构。第2章首先阐述了FDA和类别可分性问题，然后分析了加权Fisher准则，*后提出了一种非参数加权Fisher准则降维方法，并取得了最佳性能。第3章首先回顾了修正二次判别函数MQDF以及对它的改进方法，然后提出了一种局部平滑的修正二次判别函数LSMQDF。第4章首先对书写人自适应的方法进行了历史回顾，然后提出了一种基于风格迁移映射的分类器自适应框架。第5章首先介绍了模式域分类问题的定义以及相关历史，然后提出了一种贝叶斯模式域分类方法，*后在三个不同类型的实验数据库上展示了模式域分类带来的性能提升。第6章对全书的研究工作进行了总结，并对后续的研究方向进行了展望。
|
| 關於作者： |
|
张煦尧，博士，中国科学院自动化研究所副研究员。2008年获武汉大学计算数学学士学位，2013年获中国科学院自动化研究所模式识别与智能系统博士学位，2015年作为国家公派访问学者前往加拿大蒙特利尔大学。主要研究兴趣包括模式识别、机器学习、文字识别以及深度学习。在模式识别和人工智能期刊与会议上（包括P IEEE、IEEE TPAMI、CVPR， ICCV等）发表论文80余篇。担任国际期刊IEEE Transaction Image Processing和Pattern Recognition的编委。荣获国家优秀青年科学基金、吴文俊人工智能优秀青年奖和朱李月华优秀教师奖。
|
| 目錄：
|
|
第1章 引言1.1 背景介绍和研究意义 11.1.1 特征描述 21.1.2 分类器设计 31.1.3 分类器自适应 51.1.4 大类别集汉字识别 61.2 本书主要内容及贡献 71.3 本书组织结构 10第2章 基于加权Fisher准则的大类别集降维2.1 引言 122.2 FDA和类别可分性问题 162.2.1 第一步：白化（whitening） 172.2.2 第二步：白化空间的PCA 182.2.3 类别可分性问题 182.3 加权Fisher准则 202.3.1 加权函数 222.3.2 加权空间 272.4 对不同加权Fisher准则的评估 292.4.1 数据集 302.4.2 分类器 312.4.3 实验设置 332.4.4 实验结果 332.4.5 统计显著性 382.4.6 五种加权函数的比较 402.4.7 计算复杂度比较 402.4.8 三种加权空间的比较 432.4.9 空间不变性 452.4.10 形近字分析 462.5 样本级别的加权Fisher准则 472.5.1 SKNN：样本级别的KNN方法 482.5.2 汉字识别中的其他降维方法 492.5.3 性能评估 512.6 本章小结 54第3章 基于局部平滑的修正二次判别函数3.1 引言 563.1.1 二次判别函数QDF 563.1.2 修正二次判别函数MQDF 583.2 对MQDF的改进 593.3 局部平滑的修正二次判别函数LSMQDF 603.3.1 极大似然估计 613.3.2 局部平滑：LSMQDF 623.3.3 局部平滑与全局平滑 643.4 实验结果 653.4.1 LSMQDF用于脱机识别 653.4.2 不同维数的影响 673.4.3 不同训练数据量的影响 683.4.4 对K的选择 683.4.5 对β的选择 693.4.6 LSMQDF用于联机识别 703.5 本章小结 71第4章 基于风格迁移映射的分类器自适应4.1 引言 734.2 历史回顾 764.3 风格迁移映射 804.4 源点集和目标点集 834.4.1 源点集 834.4.2 LVQ的目标点集 844.4.3 MQDF的目标点集 864.5 置信度估计 884.6 分类器自适应 914.6.1 监督的自适应 914.6.2 非监督的自适应 934.6.3 半监督的自适应 944.7 实验结果 964.7.1 数据库 964.7.2 实验设置 984.7.3 LVQ自适应 1004.7.4 MQDF自适应 1034.7.5 置信度估计的影响 1094.7.6 对STM和MLLR的比较 1114.7.7 模型参数选择 1134.8 本章小结 117第5章 基于风格归一化的模式域分类5.1 引言 1195.2 模式域分类简介1205.2.1 历史回顾 1225.2.2 本章工作 1235.3 贝叶斯模式域分类 1245.3.1 基本假设 1255.3.2 模型定义 1265.3.3 对未知样本的预测 1285.3.4 优化 1305.3.5 特殊情况 1315.4 实验结果 1345.4.1 不同姿态下的人脸识别 1355.4.2 多说话者元音分类 1365.4.3 多书写人手写字符识别 1385.5 本章小结 140第6章 总结和展望6.1 本书研究成果 1426.2 未来工作展望 145
|
| 內容試閱：
|
|
模式分类问题是机器学习和模式识别的核心问题，而特征表示和分类器设计又是模式分类的关键步骤。大量的特征提取方法以及分类器模型被相继提出并在实际问题中得以广泛应用。然而绝大多数的模型针对的是小类别集问题，并且需要满足独立同分布的假设。因此这些模型在解决实际问题过程中会有一定的局限性。例如，对于汉字识别这样一个典型的大类别集问题，传统的Fisher线性判别分析降维会导致相似字类别混淆的问题，并且不同的书写人具有迥异的书写风格，这打破了独立同分布的假设。本书从“大类别集”和“非独立同分布”的角度出发，分别从降维、分类器学习、分类器自适应三方面进行了深入的研究，并且在联机及脱机手写汉字识别上取得了优于传统方法的性能。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
