导读:本文包含了在线判别学习论文开题报告文献综述及选题提纲参考文献，主要关键词:稀疏编码,标签信息,字典学习,判别分类
在线判别学习论文文献综述
司元,朱文球[1]（2019）在《基于判别字典在线学习的视觉跟踪》一文中研究指出提出了一种基于判别字典在线学习的跟踪算法,通过将字典项与标签信息相结合,分类的字典既具有重构性,又具有鉴别性。为了增强模型判别能力,将分类器嵌入到目标表示模型中,依据重构误差和判别分类得分最终确定候选目标。字典学习阶段采用在线字典学习算法同时对字典和分类器进行更新,使模型能够适应目标外观和背景环境的动态变化。实验结果表明,该方法在大量遮挡、快速运动、强光和姿态变化的大部分测试中达到了比较满意的效果。(本文来源于《包装学报》期刊2019年02期）
方云录[2]（2018）在《基于在线鲁棒判别式字典学习的视觉跟踪》一文中研究指出基于稀疏表示与字典学习的视觉跟踪较好地解决了目标遮挡和表观变化问题,但是其存在模型漂移和复杂背景下鲁棒性差的问题。针对这两个问题,本文利用L1损失函数和最小化背景样本在目标模板上的投影提出一种在线鲁棒判别式字典学习模型,并用块坐标下降设计了该模型的在线学习算法用于L1跟踪模板更新。以粒子滤波为框架,利用提出的字典学习实现了视觉跟踪方法。实验结果表明:本文跟踪方法比现有跟踪方法具有更强的鲁棒性和较高的跟踪精度。(本文来源于《计算机时代》期刊2018年07期）
薛楠[3]（2018）在《判别分析的高效在线增量学习算法研究》一文中研究指出许多涉及视觉任务的高维大规模图像的现实应用,例如目标识别、追踪、图像分割和标注,都需要从不断到达的数据流中得到可区分性特征。在短时间内有一小部分数据可用是一种常见现象,而随着时间的迁移,不断有更多可以被利用的数据到来,因此需要以增量的形式将这些数据加入到训练模型中,而不是将所有的数据进行重新训练。这些新到来的数据包括已知标签的新样本数据或者并不知道其标签的新数据,并且针对不同的情况需要不同的增量策略。因此对于新的数据,以一种高效而稳定的方式逐步地更新模型,特别是对于高维或大规模的数据流,在计算时间和识别效率上仍非常具有挑战性。线性判别分析(LDA)在探索数据特征方面具有良好的性能,通过将数据降维,在很大程度上降低了分类方法的计算量。但目前已有的方法在求取LDA方法的最佳投影矩阵时,对计算时间和存储空间的需求仍很大。另外,这些方法大多只是考虑到增加已知标签的现有类和新类数据,而考虑到已知标签或不知标签的混合数据情况的方法少之又少。本文针对增量学习目前存在的增量情况不全面、计算量大、存储空间需求大的问题,依次提出了叁种快速的判别分析方法及其增量版本。这叁种算法是在LDA的基础上,逐渐地将更多的增量情况考虑进去,并不断地提高算法的效率。第一种方法基于两次QR分解的零空间LDA方法提出了其增量学习算法,在间接属性预测的零样本学习模型中实现了增加已知类和新类的增量学习。第二种方法使用类中心作为模型输入,利用类中心的乘积代替QR分解,提出了快速的免分解算法。同时,对增量中增加新样本、新类、混合数据情况提出了相应的快速增量算法,提高了计算效率,并且理论分析和实验验证结果都表明了该算法在真实数据库上的有效性。第叁种方法在第二种方法的基础实现了核空间中的拓展,能应对更多非线性的实际问题。并且针对无标签的混合新数据,根据算法独有的特点提出了具有固定阈值的新类检测方法,在识别率和计算时间上都保持了其优越性。(本文来源于《大连理工大学》期刊2018-03-20）
吉训生,陈赛[4]（2016）在《在线判别双字典学习的目标跟踪算法》一文中研究指出传统目标跟踪算法的模板更新方法易导致目标模型漂移,为此提出一种在线判别双字典学习算法更新目标模板.双字典由目标字典和投影字典组成,其中目标字典表示目标模板.根据目标和背景样本在线迭代学习双字典,保证获其对目标维持高度描述性.通过判别函数的约束,不但降低背景信息更新到目标字典中的概率,而且保证真实目标在投影近字典上的投影近似于在目标字典上的稀疏系数,背景在投影字典上的投影近似零.因为投影的运算量较低,所以利用投影字典选择与目标字典相近的候选目标可以降低算法整体运算量.实验表明,在各种复杂环境中,算法都具有较高的稳定性.(本文来源于《小型微型计算机系统》期刊2016年10期）
薛模根,朱虹,袁广林[5]（2016）在《在线鲁棒判别式字典学习视觉跟踪》一文中研究指出传统子空间跟踪较好解决了目标表观变化和遮挡问题,但其仍存在对复杂背景下目标跟踪鲁棒性不足和模型漂移等问题.针对这两个问题,本文首先通过增大背景样本的重构误差和利用L1范数损失函数建立一种在线鲁棒判别式字典学习模型;其次,利用块坐标下降设计了该模型的在线学习算法用于视觉跟踪模板更新;最后,以粒子滤波为框架,结合提出的模板更新方法实现了鲁棒的视觉跟踪.实验结果表明:与IVT(Incremental Visual Tracking)、L1APG(L1-tracker using Accelerated Proximal Gradient)、ONNDL(Online Non-Negative Dictionary Learning)和PCOM(Probability Continuous Outlier Model)等典型跟踪方法相比,本文方法具有较强的鲁棒性和较高的跟踪精度.(本文来源于《电子学报》期刊2016年04期）
薛模根,朱虹,袁广林[6]（2015）在《基于在线判别式字典学习的鲁棒视觉跟踪》一文中研究指出现有子空间跟踪方法较好地解决了目标表观变化和遮挡问题,但是它对复杂背景下目标跟踪的鲁棒性较差。针对此问题,该文首先提出一种基于Fisher准则的在线判别式字典学习模型,利用块坐标下降和替换操作设计了该模型的在线学习算法用于视觉跟踪模板更新。其次,定义候选目标编码系数与目标样本编码系数均值之间的距离为系数误差,提出以候选目标的重构误差与系数误差的组合作为粒子滤波的观测似然跟踪目标。实验结果表明:与现有跟踪方法相比,该文跟踪方法具有较强的鲁棒性和较高的跟踪精度。(本文来源于《电子与信息学报》期刊2015年07期）
李军,齐浩亮,韩中元,雷国华[7]（2008）在《基于在线线性判别学习模型的垃圾邮件过滤方法》一文中研究指出给出了一种使用在线线性判别学习模型进行垃圾邮件过滤的方法,使用贝叶斯理论进行特征提取,特征按出现的位置进行分类,不同类别的特征赋予不同的权重.在TREC测试集上进行了实验,并和TREC评测的结果进行了对比.实验结果表明,该方法取得了较好的结果.(本文来源于《哈尔滨理工大学学报》期刊2008年03期）
在线判别学习论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于稀疏表示与字典学习的视觉跟踪较好地解决了目标遮挡和表观变化问题,但是其存在模型漂移和复杂背景下鲁棒性差的问题。针对这两个问题,本文利用L1损失函数和最小化背景样本在目标模板上的投影提出一种在线鲁棒判别式字典学习模型,并用块坐标下降设计了该模型的在线学习算法用于L1跟踪模板更新。以粒子滤波为框架,利用提出的字典学习实现了视觉跟踪方法。实验结果表明:本文跟踪方法比现有跟踪方法具有更强的鲁棒性和较高的跟踪精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
在线判别学习论文参考文献
[1].司元,朱文球.基于判别字典在线学习的视觉跟踪[J].包装学报.2019
[2].方云录.基于在线鲁棒判别式字典学习的视觉跟踪[J].计算机时代.2018
[3].薛楠.判别分析的高效在线增量学习算法研究[D].大连理工大学.2018
[4].吉训生,陈赛.在线判别双字典学习的目标跟踪算法[J].小型微型计算机系统.2016
[5].薛模根,朱虹,袁广林.在线鲁棒判别式字典学习视觉跟踪[J].电子学报.2016
[6].薛模根,朱虹,袁广林.基于在线判别式字典学习的鲁棒视觉跟踪[J].电子与信息学报.2015
[7].李军,齐浩亮,韩中元,雷国华.基于在线线性判别学习模型的垃圾邮件过滤方法[J].哈尔滨理工大学学报.2008