1 基本概念
1．1 特征選擇
1．1．1 相關特征
1．1．2 冗余特征
1．2 特征變換
1．3 特征提取
1．3．1 尺度不變特征變換
1．3．2 方向梯度直方圖
1．4 本章小結
1．5 本書的組織
2 特征選擇及相關技術研究現狀
2．1 傳統特征選擇的研究現狀
2．1．1 生成特征子集
2．1．2 評價特征子集
2．2 監督特征選擇算法研究現狀
2．2．1 過濾式特征選擇算法
2．2．2 綁定式
2．2．3 嵌入式特征選擇算法
2．3 本章小結
3 組稀疏子空間的大間隔特征選擇
3．1 模型的基本思想
3．1．1 大間隔學習
3．1．2 組稀疏子空間學習
3．2 模型的建立與實現
3．2．1 模型的建立
3．2．2 目標函數的求解
3．3 算法收斂性分析
3．4 本章小結
4 Trace Ratio- 組稀疏子空間的大間隔特征選擇
4．1 模型建立的基本思想
4．2 模型建立及算法的實現
4．2．1 模型的建立
4．2．2 TR-GSLM算法的求解過程
4．2．3 TR-GSLM算法的收斂性分析
4．3 本章小結
5 高效的Trace：Ratio-組稀疏子空間的大間隔特征選擇
5．1 模型建立的基本思想
5．2 ETR-GSLM算法實現過程
5．3 ETR-GSLM收斂性分析
5．4 實驗分析
5．4．1 實驗數據集及環境
5．4．2 參與比較的算法
5．4．3 基于分類精度的特征選擇算法性能比較
5．4．4 平均分類精度的比較
5．4．5 提取前30％和60％的特征的分類精度比較
5．4．6 參數的敏感性分析與比較
5．4．7 算法的效率比較
5．4．8 實驗小結
5．5 本章小結
6 無監督的特征選擇
6．1 無監督特征選擇的分類
6．2 過濾式無監督特征選擇
6．2．1 Laplacian評分
6．2．2 譜分解的特征選擇算法
6．3 嵌入式無監督特征選擇
6．3．1 將結構信息與機器學習算法結合
6．3．2 結構信息，聚類信息與機器學習算法結合
6．3．3 結構信息，動態更新聚類信息和機器學習算法結合
6．3．4．動態更新結構信息，聚類信息和機器學習算法結合
6．4 本章小結
7 計算機視覺中的特征選擇
7．1 高斯混合模型
7．1．1 生成方法和判別方法
7．1．2 高斯混合模型
7．2 Fisher向量
7．3 基于Fisher向量的特征選擇
7．4 本章小結
參考文獻
新書資訊