这本《学术专著信号与信息处理：局部多核学习与图像分类》系统地论述了局部多核学习的理论、优化算法及其在图像分类中的应用。全书分为9章，主要叙述了图像分类中的核方法，局部多核学习的正则风险框架与算法，局部多核学习的贝叶斯视角及其在构建生物视觉模型中的应用。《学术专著信号与信息处理：局部多核学习与图像分类》融入了作者多年的研究成果，同时也吸纳了国际上在该领域的最新研究成果。《学术专著信号与信息处理：局部多核学习与图像分类》对问题叙述详尽，理论分析深入浅出，是该领域一部内容新颖、系统全面、实用性强的学术著作。
　　《学术专著信号与信息处理：局部多核学习与图像分类》可供从事局部多核学习理论及应用的研究人员阅读和参考。

第1章 绪论
1.1 研究背景与意义
1.2 基于多核学习的图像分类
1.3 研究现状


第2章 图像表征
2.1 场景要点
2.2 方向梯度直方图
2.3 尺度不变特征变换
2.4 直线特征
2.5 自相似性描述符
2.6 纹理元
2.7 几何概率映射


第3章 图像分类中的核方法
3.1 图像表征与核
3.2 风险最小化学习
3.3 核与线性分类器
3.4 支持向量机分类器


第4章 局部多核学习的正则风险框架
4.1 多核学习的正则风险框架
4.2 流行的多核学习形式
4.3 局部多核学习的正则风险框架简介
4.4 图像数据库
4.5 核矩阵构造及图像特征
4.6 实验设置与评价准则


第5章 基于样本级优化的方法
5.1 原一对偶等价形式
5.2 样本级的交替优化
5.3 样本级的目标函数求解
5.4 实验结果与分析


第6章 基于半定规划的方法
6.1 lp范数LMKL框架
6.2 单约束QCQP的SDP松弛
6.3 SDP求解局部化γ
6.4 实验结果与分析


第7章 基于门函数的方法
7.1 Gonen & Alpaydin的方法
7.2 分组敏感的方法
7.3 基于概率置信核的方法
7.4 实验结果与分析


第8章 局部多核学习的贝叶斯视角
8.1 贝叶斯框架
8.2 高斯过程
8.3 多核学习的贝叶斯视角
8.4 局部多核学习的贝叶斯视角简介


第9章 局部多核学习在构建生物视觉模型中的应用
9.1 引言
9.2 场景分类
9.3 任务引导的生物启发式Gist模型（BT-Gist）
9.4 数据库与实验设置
9.5 实验结果与分析
9.6 与现有方法的比较
9.7 BT-Gist模型讨论
参考文献

　　1．2基于多核学习的图像分类
　　1．2．1图像表征
　　图像分类中最为本质的问题即是设计性能优良的图像表征。现有工作为我们提供了许多成功的“手工制作／编码”的图像表征。回顾这些表征，其最本质的差异在于它们在保持类别内的不变性与刻画类别问的区分性上所取得的折中。例如，图像中的某一小块像素在使用标准欧氏距离进行比较时，几乎没有不变性，但是却具有极高的区分性；相应地，另一个极端情况则是以某个常量为表征，其具有绝对的不变性，但是却没有任何区分能力。绝大部分的图像表征具有某种确定的最优折中，置于由上述两种极端情况所界定的范围之间的某处。
　　但是，不变性与区分性的最优折中取决于当前特定的分类任务，并随训练数据和先验知识的变化而变化。因此，没有任何一种图像特征能够保证以最优的性能执行所有的图像分类任务。以对数字6与9的分类为例，在旋转不变性表征下，两者将被混淆。此时，完全的旋转不变性特征并不是一个好的选择。如果分类任务为区分4和9这两类数字，其中这两类数字可能被旋转到任意方向，那么采用具有完全旋转不变性的特征则是可取的。但是，事实上