基于CTC损失的序列化梯度提升树算法及其在唇读中的应用研究

目录

声明

摘要

第一章绪论

1．1研究背景及意义

1．2研究现状

1．2．1Boosting方法

1．2．2唇读研究进展

1．3主要研究内容及创新点

1．4论文组织结构

第二章 Boosting原理

2．1分类回归决策树

2．1．1CART分类树

2．1．2CART回归树

2．2Gradient Boosting框架

2．2．1基学习器拟合最速下降方向

2．2．2二分类的梯度

2．2．3多分类的梯度

2．3SeqGBDT算法

2．3．1算法目标

2．3．2SeqGBDT框架

第三章基于CTC算法的SeqGBDT

3．1CTC算法原理

3．2CTC前向-后向算法

3．2．1前向算子

3．2．2后向算子

3．3CTC损失梯度

3．4集束搜索解码

第四章唇读的应用研究

4．1唇读原理

4．2深度学习在唇读中的应用

4．3SeqGBDT在唇读上的实证分析

4．3．1数据集介绍

4．3．2数据处理

4．3．3模型训练和结果

4．4模型的解释性

第五章总结与展望

5．1总结

5．2展望

参考文献

致谢