大类别集分类与自适应及其在汉字识别中的应用

第1章 引言

1.1 背景介绍和研究意义 1

1.1.1 特征描述 2

1.1.2 分类器设计 3

1.1.3 分类器自适应 5

1.1.4 大类别集汉字识别 6

1.2 本书主要内容及贡献 7

1.3 本书组织结构 10

第2章 基于加权Fisher准则的大类别集降维

2.1 引言 12

2.2 FDA和类别可分性问题 16

2.2.1 步：白化（whitening） 17

2.2.2 第二步：白化空间的PCA 18

2.2.3 类别可分性问题 18

2.3 加权Fisher准则 20

2.3.1 加权函数 22

2.3.2 加权空间 27

2.4 对不同加权Fisher准则的评估 29

2.4.1 数据集 30

2.4.2 分类器 31

2.4.3 实验设置 33

2.4.4 实验结果 33

2.4.5 统计显著性 38

2.4.6 五种加权函数的比较 40

2.4.7 计算复杂度比较 40

2.4.8 三种加权空间的比较 43

2.4.9 空间不变性 45

2.4.10 形近字分析 46

2.5 样本级别的加权Fisher准则 47

2.5.1 SKNN：样本级别的KNN方法 48

2.5.2 汉字识别中的其他降维方法 49

2.5.3 性能评估 51

2.6 本章小结 54

第3章 基于局部平滑的修正二次判别函数

3.1 引言 56

3.1.1 二次判别函数QDF 56

3.1.2 修正二次判别函数MQDF 58

3.2 对MQDF的改进 59

3.3 局部平滑的修正二次判别函数LSMQDF 60

3.3.1 极大似然估计 61

3.3.2 局部平滑：LSMQDF 62

3.3.3 局部平滑与全局平滑 64

3.4 实验结果 65

3.4.1 LSMQDF用于脱机识别 65

3.4.2 不同维数的影响 67

3.4.3 不同训练数据量的影响 68

3.4.4 对K的选择 68

3.4.5 对β的选择 69

3.4.6 LSMQDF用于联机识别 70

3.5 本章小结 71

第4章 基于风格迁移映射的分类器自适应

4.1 引言 73

4.2 历史回顾 76

4.3 风格迁移映射 80

4.4 源点集和目标点集 83

4.4.1 源点集 83

4.4.2 LVQ的目标点集 84

4.4.3 MQDF的目标点集 86

4.5 置信度估计 88

4.6 分类器自适应 91

4.6.1 监督的自适应 91

4.6.2 非监督的自适应 93

4.6.3 半监督的自适应 94

4.7 实验结果 96

4.7.1 数据库 96

4.7.2 实验设置 98

4.7.3 LVQ自适应 100

4.7.4 MQDF自适应 103

4.7.5 置信度估计的影响 109

4.7.6 对STM和MLLR的比较 111

4.7.7 模型参数选择 113

4.8 本章小结 117

第5章 基于风格归一化的模式域分类

5.1 引言 119

5.2 模式域分类简介120

5.2.1 历史回顾 122

5.2.2 本章工作 123

5.3 贝叶斯模式域分类 124

5.3.1 基本假设 125

5.3.2 模型定义 126

5.3.3 对未知样本的预测 128

5.3.4 优化 130

5.3.5 特殊情况 131

5.4 实验结果 134

5.4.1 不同姿态下的人脸识别 135

5.4.2 多说话者元音分类 136

5.4.3 多书写人手写字符识别 138

5.5 本章小结 140

第6章 总结和展望

6.1 本书研究成果 142

6.2 未来工作展望 145