深度學習：基于稀疏和低秩模型

定　價：￥89.00

作　者：	王章陽，[美] 傅云，[美] 黃煦濤著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111689348	出版時間：	2021-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	232	字數(shù)：

內容簡介

　　本書由近幾年發(fā)表在各類頂級期刊和國際會議/研討會上的論文集結而成，囊括國內外深度學習研究者的成果。本書關注經(jīng)典的稀疏/低秩模型與強調問題特定的先驗性和可解釋性的深度網(wǎng)絡模型的集成，從而提高模型的學習能力和可解釋性，同時更有效地利用大數(shù)據(jù)。書中展示了深度學習工具箱與稀疏/低秩模型和算法的緊密聯(lián)系，并介紹了這些技術在維度約簡、動作識別、風格識別、親屬關系理解、圖像除霧以及生物醫(yī)學圖像分析等方面的成功應用。本書適合有一定基礎的讀者閱讀，可擴展關于理論和分析工具的研究思路，并為深度模型的架構和解釋提供有益的指導。

作者簡介

　?。鹤髡吆喗椋和跽玛枺╖hangyang Wang）得克薩斯農(nóng)工大學（TAMU）計算機科學與工程系助理教授，致力于利用先進的特征學習和優(yōu)化技術解決機器學習、計算機視覺和多媒體信號處理問題。他擁有伊利諾伊大學厄巴納-香檳分校電子與計算機工程博士學位，師從黃煦濤教授。傅云（Yun Fu）美國東北大學工程學院和計算機與信息科學學院的跨學科教師，研究方向為機器學習、計算智能、大數(shù)據(jù)挖掘、計算機視覺、模式識別和信息物理融合系統(tǒng)。他是IAPR和SPIE會士，曾獲得IEEE和IAPR等頒發(fā)的多項研究獎勵。黃煦濤（Thomas S. Huang）伊利諾伊大學厄巴納-香檳分校電子與計算機工程系教授，研究興趣包括計算機視覺、圖像壓縮和增強、模式識別和多模態(tài)信號處理等。他是美國國家工程院院士、IAPR會士，曾獲得包括IEEE Jack Kilby信號處理獎章、IAPR King-Sun Fu獎、國際計算機視覺會議Azriel Rosenfeld終身成就獎在內的眾多獎項。他于2020年4月去世。：譯者簡介：黃智瀕博士，北京郵電大學計算機學院講師。長期從事智能機器學習、超大規(guī)模并行計算、三維計算機視覺和深度學習架構方面的研究。

圖書目錄

譯者序
前言
主要作者簡介
所有作者列表
第1章引言1
11深度學習基礎1
12稀疏與低秩模型基礎2
13連接深度學習與稀疏和低秩模型2
14本書章節(jié)結構3
15參考文獻4
第2章雙層稀疏編碼：高光譜圖像分類示例7
21引言7
22公式和算法9
221符號表示9
222聯(lián)合特征的提取和分類9
223雙層優(yōu)化公式11
224算法12
23實驗13
231對AVIRIS印第安納松樹數(shù)據(jù)的分類性能16
232對AVIRIS薩利納斯數(shù)據(jù)的分類性能17
233對帕維亞大學數(shù)據(jù)的分類性能18
24結論19
25附錄20
26參考文獻21
第3章深度0編碼器:模型展開示例23
31引言23
32相關工作24
321基于0和1的稀疏近似24
3221近似的網(wǎng)絡實現(xiàn)24
33深度0編碼器25
331深度0正則化編碼器25
332深度M稀疏0編碼器27
333理論屬性28
34任務驅動的優(yōu)化28
35實驗28
351實現(xiàn)28
3520稀疏近似的仿真29
353在分類上的應用30
354在聚類上的應用31
36結論和關于理論屬性的討論33
37參考文獻33
第4章單幅圖像超分辨率：從稀疏編碼到深度學習37
41通過具有稀疏先驗的深度網(wǎng)絡實現(xiàn)可靠的單幅圖像超分辨率37
411引言37
412相關研究38
413基于稀疏編碼網(wǎng)絡的圖像SR39
414用于可擴展SR的網(wǎng)絡級聯(lián)43
415真實場景下的魯棒SR45
416實現(xiàn)細節(jié)47
417實驗48
418主觀評價55
419結論和未來工作57
42學習單幅圖像超分辨率的混合深度網(wǎng)絡58
421引言58
422所提出的方法59
423實現(xiàn)細節(jié)61
424實驗結果61
425結論和未來工作65
43參考文獻66
第5章從雙層稀疏聚類到深度聚類69
51稀疏編碼和可判別聚類的聯(lián)合優(yōu)化框架69
511引言69
512模型表示70
513面向聚類的成本函數(shù)71
514實驗74
515結論79
516附錄79
52學習用于聚類的任務特定的深度架構80
521引言80
522相關研究81
523模型表示81
524深入觀察：DTAGnet的分層聚類84
525實驗結果85
526結論92
53參考文獻92
第6章信號處理95
61深度優(yōu)化的壓縮傳感技術95
611背景95
612壓縮傳感的端到端優(yōu)化模型96
613DOCS：前饋CS和聯(lián)合優(yōu)化CS97
614實驗99
615結論102
62用于語音去噪的深度學習103
621引言103
622用于光譜去噪的神經(jīng)網(wǎng)絡103
623實驗結果106
624結論和未來工作110
63參考文獻111
第7章維度約簡113
71帶有局部限制的邊緣化去噪字典學習113
711引言113
712相關研究114
713帶有局部限制的邊緣化去噪字典學習模型116
714實驗124
715結論131
716未來工作131
72學習用于哈希的深度∞編碼器131
721引言132
722ADMM算法133
723深度∞編碼器134
724用于哈希的深度∞連體網(wǎng)絡136
725圖像哈希實驗137
726結論142
73參考文獻142
第8章動作識別145
81跨視角動作識別的深度學習的視角不變特征145
811引言145
812相關工作146
813深度學習的視角不變特征147
814實驗152
82基于混合神經(jīng)網(wǎng)絡的深度攝像機動作識別157
821引言157
822相關工作158
823混合卷積遞歸神經(jīng)網(wǎng)絡159
824實驗163
83結論166
84參考文獻167
第9章風格識別和親屬關系理解171
91基于深度學習的風格分類171
911背景171
912棧式自編碼器的預備知識174
913風格中心化自編碼器174
914共識風格中心化自編碼器177
915實驗181
92可視化親屬關系理解185
921背景185
922相關工作186
923家族面部187
924正則化并行自編碼器188
925實驗結果192
93研究挑戰(zhàn)和未來工作198
94參考文獻198
第10章圖像除霧：改進技術203
101引言203
102回顧和任務描述204
1021霧建模和除霧方法204
1022RESIDE數(shù)據(jù)集205
103任務1:除霧恢復205
104任務2:用于檢測的除霧207
1041解決方案集1：增強級聯(lián)中的除霧和檢測模塊207
1042解決方案集2：域自適應MaskRCNN208
105結論210
106參考文獻211
第11章生物醫(yī)學圖像分析：自動肺癌診斷213
111引言213
112相關研究214
113方法論214
114實驗217
115結論219
116致謝220
117參考文獻220