第1章 序論

• 1.1 はじめに
• 1.2 パターン識別の流れ
  • 1.2.1 識別器の構成
• 1.3 画像認識のための特徴抽出法
  • 1.3.1 画像の表現とフィルタ
  • 1.3.2 平滑化と勾配
  • 1.3.3 局所画像特徴量

第2章 パラメトリック学習とBayes決定則

• 2.1 確率と正規分布
  • 2.1.1 確率の基礎
  • 2.1.2 正規分布
• 2.2 Bayes決定則
  • 2.2.1 2クラス識別におけるBayes識別
  • 2.2.2 損失の一般化
  • 2.2.3 ナイーブBayes識別
  • 2.2.4 正規分布を仮定したBayes識別
• 2.3 正則化と数値計算
  • 2.3.1 事後確率の計算方法
  • 2.3.2 Cholesky分解
  • 2.3.3 数値計算例
  • 2.3.4 悪条件と正則化
  • 2.3.5 分散共分散行列の固有値と正則化
  • 2.3.6 有限標本による固有値の偏り
  • 2.3.7 数値計算例
• 2.4 統計的推定
  • 2.4.1 最ゆう推定
  • 2.4.2 モデル選択
• 2.5 パーセプトロンモデル～一次識別器～
  • 2.5.1 Widrow-Hoff則
  • 2.5.2 Fisherの線形識別
  • 2.5.3 サポートベクタマシン(SVM)
• 2.6 部分空間法～二次識別器～
  • 2.6.1 主成分分析
  • 2.6.2 CLAFIC
  • 2.6.3 カーネル主成分分析

第3章 パーセプトロンモデル～1 次識別器

• 3.1 パーセプトロンモデル
• 3.2 Widrow-Hoff 則
• 3.3 Fisher の線形識別
• 3.4 サポートベクタマシン(SVM) 傍識別
  • 3.4.1 線形SVM
  • 3.4.2 非線形(カーネル)SVM
  • 3.4.3 ソフトマージン

第4章 部分空間法～2 次識別器

• 4.1 主成分分析
• 4.2 CLAFIC
• 4.3 カーネル主成分分析
  • 4.3.1 再生核Hilbert 空間での主成分分析
  • 4.3.2 部分カーネル主成分分析定

第5章 その他の識別器

• 5.1 k近傍識別
  • 5.1.1 テンプレートマッチング
  • 5.1.2 Mahalanobis 距離とFukunaga-Koontz 変換
• 5.2 Adaboost
  • 5.2.1 数値計算例
• 5.3 ハイパーパラメータの推定

第6章 付録–線形代数及び数値計算の解説–

• 6.1 分散共分散行列の求め方
• 6.2 Cholesky 分解による対数正規確率密度の計算
• 6.3 固有値とその性質