图像深度表示学习方法

图像深度表示学习技术已经成为机器学习和图像处理领域一个新兴的研究热点。与传统的图像表示方法相比，通过图像深度表示学习获取的图像特征具备精度高、维度低、泛化能力强等特点。虽然图像深度表示学习方法在解决很多实际问题中表现出了优异的性能，但仍存在诸多问题难以有效解决。本书对图像深度表示学习方法中存在的若干关键问题进行了深入分析，通过充分挖掘和利用深度模型内部多层结构信息与数据分布之间的先验信息，探讨了深度表示模型的选择与设计、深度迁移特征跃层表示、非监督深度度量学习和有监督深度哈希学习等方法，并将上述模型和方法应用于解决图像检索、图像分类、目标跟踪和数据可视化等实际问题。本书可供高等学校计算机科学、人工智能和机器视觉等专业的学生，以及大数据和人工智能应用程序开发人员阅读，也可供高等学校的教师、研究机构的研究人员参考。

第1章绪论

1.1研究背景与意义

1.2国内外研究及应用现状

1.3图像深度表示学习技术的难点

1.4本书主要研究内容与组织结构

第2章深度表示模型的选择与设计

2.1引言

2.2卷积神经网络的基本结构

2.3模型结构设计与表示能力

2.4基于类脑结构的表示模型

2.5实验结果与分析

2.6本章小结

第3章深度迁移特征跃层表示方法

3.1引言

3.2深度跃层特征编码表示方法

3.3深度跃层编码表示方法性能分析

3.4深度跃层特征目标跟踪方法

3.5深度跃层特征目标跟踪实验分析

……