●第1章 緒論
1.1 零樣本圖像分類
1.2 零樣本圖像分類發展現狀
1.2.1 屬性知識表示方法研究進展
1.2.2 知識遷移與共享方法研究進展
1.3 本書主要研究內容
參考文獻
第2章 屬性學習基礎知識
2.1 屬性基本概念及特點
2.2 二值屬性學習
2.2.1 二值屬性基本概念
2.2.2 二值屬性分類器學習
2.3 相對屬性學習
2.3.1 相對屬性基本概念
2.3.2 排序學習
2.3.3 相對屬性的應用
2.4 基於屬性的零樣本圖像分類
2.4.1 間接屬性預測模型
2.4.2 直接屬性預測模型
參考文獻
第3章 基於關聯概率的間接屬性加權預測模型
3.1 繫統結構
3.2 RP-IAWP模型
3.3 RP-IAWP模型權重計算
3.4 RP-IAWP模型分析
3.5 算法步驟
3.6 實驗結果與分析
3.6.1 實驗設置
3.6.2 屬性預測實驗
3.6.3 零樣本圖像分類實驗
3.6.4 權重分析實驗
3.7 本章小結
參考文獻
第4章 基於深度特征提取的零樣本圖像分類
4.1 繫統結構
4.2 圖像預處理
4.3 特征映射矩陣學習
4.4 視覺圖像特征學習
4.5 算法步驟
4.6 實驗結果與分析
4.6.1 實驗設置
4.6.2 參數分析
4.6.3 屬性預測實驗
4.6.4 零樣本圖像分類實驗
4.7 本章小結
參考文獻
第5章 基於深度加權屬性預測的零樣本圖像分類
5.1 繫統結構
5.2 基於深度卷積神經網絡的屬性學習
5.3 基於稀疏表示的屬性-類別關繫挖掘
5.4 基於直接屬性加權預測的零樣本圖像分類
5.5 算法步驟
5.6 實驗結果與分析
5.6.1 實驗設置
5.6.2 屬性預測實驗
5.6.3 零樣本圖像分類實驗
5.7 本章小結
參考文獻
第6章 基於類別與屬性相關先驗知識挖掘的零樣本圖像分類
6.1 繫統結構
6.2 基於白化餘弦相似度的類別-類別相關性挖掘
6.3 基於稀疏表示的屬性-類別相關性挖掘
6.4 基於稀疏表示的屬性-屬性相關性挖掘
6.5 算法時間復雜度
6.6 實驗結果與分析
6.6.1 實驗數據集
6.6.2 參數分析
6.6.3 屬性預測實驗
6.6.4 零樣本圖像分類實驗
6.7 本章小結
參考文獻
第7章 基於自適應多核校驗學習的多源域屬性自適應
7.1 繫統結構
7.2 源域構造
7.3 特征選擇
7.4 基於中心核校準的自適應多核學習
7.5 算法步驟
7.6 實驗結果與分析
7.6.1 實驗數據集
7.6.2 參數分析
7.6.3 零樣本圖像分類實驗
7.7 本章小結
參考文獻
第8章 基於深度特征遷移的多源域屬性自適應
8.1 繫統結構
8.2 多源域構造
8.3 圖像預處理
8.4 深度可遷移特征提取
8.5 目標域特征加權
8.6 基於稀疏表示的屬性-類別關繫挖掘
8.7 基於多源決策融合的IAP模型
8.8 實驗結果與分析
8.8.1 實驗數據集
8.8.2 參數分析
8.8.3 零樣本圖像分類實驗
8.9 本章小結
參考文獻
第9章 基於混合屬性的直接屬性預測模型
9.1 研究動機
9.2 繫統結構
9.3 基於HA-DAP的零樣本圖像分類
9.3.1 混合屬性的構造
9.3.2 基於稀疏編碼的非語義屬性學習
9.3.3 基於混合屬性的直接屬性預測模型
9.4 實驗結果與分析
9.4.1 實驗設置
9.4.2 零樣本圖像分類實驗
9.5 本章小結
參考文獻
第10章 基於關繫非語義屬性擴展的自適應零樣本圖像分類
10.1 繫統結構
10.2 關繫非語義屬性獲取
10.3 域間自適應關繫映射
10.4 關繫非語義屬性擴展的自適應零樣本圖像分類
10.5 實驗結果與分析
10.5.1 實驗設置
10.5.2 參數分析
10.5.3 關繫非語義屬性字典分析
10.5.4 零樣本圖像分類實驗
10.6 本章小結
參考文獻
第11章 基於多任務擴展屬性組的零樣本圖像分類
11.1 繫統結構
11.2 多任務擴展屬性組訓練模型
11.3 類別-類別關繫矩陣構建
11.4 基於多任務擴展屬性組的零樣本分類
11.5 實驗結果與分析
11.5.1 實驗設置
11.5.2 類別關繫矩陣構建
11.5.3 類別與屬性分組構建
11.5.4 零樣本圖像分類實驗
11.6 本章小結
參考文獻
第12章 基於共享特征相對屬性的零樣本圖像分類
12.1 研究動機
12.2 繫統結構
12.3 基於RA-SF的零樣本圖像分類
12.3.1 共享特征學習
12.3.2 基於共享特征的相對屬性學習
12.3.3 基於共享特征的相對屬性零樣本圖像分類
12.4 實驗結果與分析
12.4.1 實驗數據集
12.4.2 參數分析
12.4.3 共享特征學習實驗
12.4.4 屬性排序實驗
12.4.5 零樣本圖像分類實驗
12.5 本章小結
參考文獻
第13章 基於相對屬性的隨機森林零樣本圖像分類
13.1 研究動機
13.2 繫統結構
13.3 基於RF-RA的零樣本圖像分類
零樣本圖像分類已成為機器學習領域的研究熱點，主要用於解決標記訓練樣本不足以涵蓋所有對像類的情況下，如何對未知新模式進行正確分類的問題。利用訓練樣本學習到的分類器對新出現的對像類進行分類識別是非常困難的學習任務。本書針對上述問題從屬性入手，分別圍繞基於深度學習及知識挖掘、多源域屬性自適應、屬性擴展和相對屬性4個方面進行展開，共13章。其中，第3章～第6章為基於深度學習及知識挖掘的零樣本圖像分類；第7章～第8章為基於屬性自適應的零樣本圖像分類；第9章～第11章為基於屬性擴展的零樣本圖像分類；第12章～第13章為基於相對屬性的零樣本圖像分類。本書可供理工科高等院校模式識別、數據挖掘及相關專業的教師與研究生閱讀，也可供自然科學和工程領域中的研究人員參考。
