图像集的多视图潜在分析理论与学习算法研究

结题报告

项目介绍

AI项目解读

基本信息

批准号：
61673220
项目类别：
面上项目
资助金额：
64.0万
负责人：
孙权森
依托单位：
南京理工大学
学科分类：
F0304.系统工程理论与技术
结题年份：
2020
批准年份：
2016
项目状态：
已结题
起止时间：
2017-01-01 至2020-12-31

项目参与者：
刘亚洲；傅鹏；沈肖波；杨静；季鸿坤；张国庆；高希占；倪怀发；丁陈梅；
关键词：
哈希模型低秩子空间学习特征融合多视图学习

项目摘要

Over the past few years, multi-view learning has become an important and hot topic in the field of pattern recognition and machine learning. Previous work mainly focuses on single image-based multi-view learning, which may make the performance of many learning tasks such as recognition and retrieval unstable. This project mainly studies the theory and algorithms of multi-view latent analysis with image set using the idea of deep learning, hashing, and low-rank technique. More specifically, this project investigates the following three aspects: (1) construct the theory and methods of multi-view correlational subspace learning borrowing the idea of deep learning and label propagation; (2) develop multi-view hashing models and optimization algorithms by extending the single view-based hashing technique; (3) build the joint learning theory and algorithms of low rank and correlational subspaces based on low rank and maximal correlation constraints. It is very valuable and meaningful for this project to facilitate multi-view subspace learning with image set and its practical applications.

近年来，多视图学习已成为模式识别与机器学习等领域的重要内容与研究热点。以往的研究多集中在单幅图像的多视图学习，在有些情况下会导致诸如识别与检索等后续学习性能的不稳定。本项目以图像集的高维多视图数据为研究对象，结合深度学习、标签传播、哈希学习及低秩理论等前沿学术思想，围绕图像集的多视图潜在分析理论与算法，拟开展如下研究工作：（1）借鉴深度学习与标签传播思想，构建多视图相关特征子空间学习理论与算法；（2）拓展单视图哈希技术，开展多视图哈希学习模型构建与优化算法研究；（3）以低秩理论和最大相关协同学习为基础，研究联合低秩相关子空间学习理论与算法。本项目对于推动面向图像集数据的多视图子空间学习算法与应用研究具有重要的理论与实际意义。

结项摘要

多视图学习已成为模式识别和机器学习等领域的重要内容与研究热点。本项目以多视图相关特征子空间学习、哈希学习及低秩理论的前沿思想为出发点，探索有关前沿理论在多视图学习中的合理推广与拓展，丰富和完善了图像集的多视图潜在分析理论体系，取得了丰硕的研究成果。完成的创新工作如下：. （1）通过引入监督信息、核技术、流形、线性回归以及鉴别投影思想，建立新的相关度量准则函数等技术手段，构建了多视图相关特征子空间学习的拓展模型及其算法，丰富了图像集的多视图潜在分析理论与方法。发表了16篇研究论文，其中包括TIP、Pattern Recognition等二区以上SCI论文12篇。.部分重要的研究成果包括：基于领域适应稀疏表示分类器的最优投影对学习；基于数据依赖核的半监督学习方法；使用Grassmann流形进行原型学习和协作表示的图像集分类；基于候选集选择与反向训练的图像集分类；同时学习约减原型与局部尺度的图像集分类；融合度量学习的多模型图像集分类等。. （2）引入哈希技术，提出并建立了多视图哈希学习模型的理论体系，极大地减少数据的存储与计算开销，提高学习系统的效率，为海量图像集数据的处理提供一个崭新的研究方向与思路。发表了9篇研究论文，其中包括TNNLS、TCYB、ACM TIST、软件学报等论文6篇，CCF A类国际会议论文3篇。.部分重要的研究成果包括：半配对离散哈希；压缩k均值大规模聚类理论框架；引入深度离散原型多标记学习；基于多视图学习的多标记学习模型；离散网络嵌入算法等。. （3）发展并完善低秩典型相关投影模型，建立联合低秩相关子空间学习的理论框架，挖掘数据整体的非线性低秩结构，解决传统相关投影方法不能很好揭示数据中非线性低秩结构的问题。发表了10篇研究论文，其中包括TIP、Knowledge-Based Systems等二区以上SCI论文5篇。.部分重要的研究成果包括：基于潜在低秩与稀疏嵌入的鲁棒图像特征提取；具有局部结构和低秩共识核学习的多核子空间聚类；基于稀疏与协同表示的核成对线性回归图像集分类；多秩有监督的典型相关分析；低秩超图哈希等。