●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聯合特征的提取和分類9
2.2.3雙層優化公式11
2.2.4算法12
2.3實驗13
2.3.1對AVIRIS印第安納松樹數據的分類性能16
2.3.2對AVIRIS薩利納斯數據的分類性能17
2.3.3對帕維亞大學數據的分類性能18
2.4結論19
2.5附錄20
2.6參考文獻21
第3章深度l0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基於l0和l1的稀疏近似24
3.2.2l1近似的網絡實現24
3.3深度l0編碼器25
3.3.1深度l0正則化編碼器25
3.3.2深度M稀疏l0編碼器27
3.3.3理論屬性28
3.4任務驅動的優化28
3.5實驗28
3.5.1實現28
3.5.2l0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結論和關於理論屬性的討論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絡實現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基於稀疏編碼網絡的圖像SR39
4.1.4用於可擴展SR的網絡級聯43
4.1.5真實場景下的魯棒SR45
4.1.6實現細節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絡58
4.2.1引言58
4.2.2所提出的方法59
4.2.3實現細節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合優化框架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71
5.1.4實驗74
5.1.5結論79
5.1.6附錄79
5.2學習用於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化模型96
6.1.3DOCS：前饋CS和聯合優化CS97
6.1.4實驗99
6.1.5結論102
6.2用於語音去噪的深度學習103
6.2.1引言103
6.2.2用於光譜去噪的神經網絡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學習用於哈希的深度 編碼器131
7.2.1引言132
7.2.2ADMM算法133
7.2.3深度l 編碼器134
7.2.4用於哈希的深度 連體網絡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基於混合神經網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混合卷積遞歸神經網絡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繫理解171
9.1基於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可視化親屬關繫理解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正則化並行自編碼器188
9.2.5實驗結果192
9.3研究挑戰和未來工作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數據集205
10.3任務1：除霧恢復205
10.4任務2：用於檢測的除霧207
10.4.1解決方案集1：增強級聯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

本書由近幾年發表在各類頂 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據。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繫，並介紹了這些技術在維度約簡、動作識別、風格識別、親屬關繫理解、圖像除霧以及生物醫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，可擴展關於理論和分析工具的研究思路，並為深度模型的架構和解釋提供有益的指導。