时空视频数据的无监督学习

无监督学习属于机器学习和计算机视觉领域中的一个悬而未决的问题，本书主要针对视频图像处理过程中遇到的各类需要解决的任务，探索无监督学习的可能性。本书共8章，从像素层面介绍无监督学习内涵，确立了无监督学习所要遵循的7条原则，针对图超图匹配、聚类、特征选择、视频图像分类、目标发现与识别、视频分割等从易到难的多层次任务需求，构建相应的解决方案，利用国际上盛行的三大数据库中的图像与视频资料对算法有效性和收敛性能进行验证，并与当前流行的各种针对性算法进行比较，最终综合了全书的研究成果，构建了一个能够学会自己观察通用的视觉故事网络系统。

第1章无监督视觉学习：从像素到“所见”00
11“所见”内涵00
12无监督视觉学习的内涵00
13时空视觉学习00
131无监督学习的发展趋势00
132无监督视觉学习与格式塔心理学的关系00
14无监督学习的原则00
141背景中的目标 0
142高概率正向特征学习0
15图匹配的无监督学习0
151图匹配问题公式化0
152光谱图匹配0
153图匹配的整数投影固定点算法0
154图匹配学习0
155图匹配的监督学习0
156图匹配的无监督学习 0
16满足分类器学习的无监督聚类算法0
161图形聚类的整数投影固定点算法0
162作为图聚类问题的特征选择 0
17视频对象分割的无监督学习0
18时空图0
181优化算法0
182多代师生的无监督分割学习0
183小结0
19后续章节安排0
参考文献0
第2章无监督学习的图匹配和超图匹配0
21引言0
22图匹配0
23超图匹配0
24图匹配求解0
241光谱匹配0
242整数投影固定点算法0
25理论分析0
26超图匹配求解0
27图匹配学习0
271理论分析0
272图匹配的监督学习0
273图匹配的无监督和半监督学习0
274成对条件随机场学习0
28超图匹配学习0
29图匹配实验0
291无标签对应学习0
292不同图匹配算法的学习0
293条件随机场实验0
210超图匹配实验0
2101合成数据0
2102真实图像实验0
2103匹配人像0
2104有监督学习和无监督学习的比较0
211结论与未来工作0
参考文献0
第3章图与超图聚类的无监督学习
31引言
32问题描述
33用于超图聚类的整数投影固定点算法
34算法理论分析与计算复杂度
35图和超图聚类学习
36三阶超图聚类实验
361线性聚类
362仿射不变点匹配
37结论与未来工作
参考文献
ⅩⅩ第4章符合无监督学习的特征选择
41引言
411无监督特征选择与无监督学习原则的关系
412特征标记的意义
42数学表述
421监督学习
422无监督学习的特征标记
423客观事实
43通过整数投影固定点聚类进行特征选择和学习
44实验分析
441比较实验
442与支持向量机算法的其他比较
45有限训练数据的影响
451根据有限数据估算特征符号
452改变无监督数据量
46所选特征的直观感受
47结论与未来工作
参考文献
第5章面向高概率正向特征视频对象分割的无监督学习
51从简单视频特征提取到无监督视频分割
52一种无监督图像分割的简单方法
53无监督的视频背景抽取
54利用高概率正向特征进行无监督视频分割
541利用高概率正向特征进行学习
542描述符学习
543外观与运动的结合
55实验分析
551YouTube目标数据集的测试
552SegTrack v2数据集的测试
553计算时间
56结论与未来工作
参考文献
第6章外观和运动的耦合：对象分割的无监督聚类算法
61引言
611本章算法与无监督学习原则的关系
612科学背景
62光谱分割算法
621构建时空图
622分割光谱聚类
623利用幂迭代算法优化
63理论性质
631收敛分析
632特征-运动矩阵
64实验分析
641初始化分割的作用
642节点特征的作用
643光流链的作用
644复杂性分析与计算成本
645结果分析
65结论与未来工作
参考文献
第7章时空中的多代师生网络无监督学习
71引言
72科学背景
73多代师生学习
74师生系统架构
741学生分支：单图像分割
742老师分支：无监督目标发现
743无监督软掩码选择
744实施步骤
75实验分析
751消融研究
752前景分割测试
753迁移学习测试
754实验总结
76关于无监督学习的总结性讨论
77结论与未来工作
参考文献
第8章面向未来的无监督学习
81引言
82时空中的递归图神经网络
821科学背景
822递归时空图模型
823运动和形状的学习模式实验
824学习复杂的人与对象交互关系实验
83整合
831几何层面的一致性
832语义层面的一致性
833作为高概率正向特征的一致性原则
834高概率正向特征的运动模式
835多代师生学习
836构建视觉故事网络模块
84视觉故事图神经网络的开端
841分类器间高度的相互关联性
842原则8与自适应共振理论的关系
843多层解读：深度、运动和意义
844故事中的局部对象及其全局作用
845视觉故事网络中的无监督学习
846多代学习进化
847学习新类型
85面向语言的视觉故事
851从语言中学习
852出其不意的无监督学习
853发现自我
854明日之梦
参考文献