基于图的增量半监督图像目标分类与识别

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61105002
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    23.0万
  • 负责人：
    百晓
  • 依托单位：
    北京航空航天大学
  • 学科分类：
    F0304.系统工程理论与技术
  • 结题年份：
    2014
  • 批准年份：
    2011
  • 项目状态：
    已结题
  • 起止时间：
    2012-01-01 至2014-12-31

项目摘要

本项目针对目前图像目标分类与识别研究中三个难点：无类标图像目标分类、图像目标高层结构信息提取与分析、以及增量图像目标分析，提出解决在线图像和网络无类标图像目标分类与识别的新方法。本项目首先通过对图谱理论的研究，提出基于图像内容的高层结构匹配模型，用以计算基于高层结构的图像相似度，并以此为基础构建基于图的半监督学习初始结构图。同时通过对图谱理论和局部结构图更新的研究，提出基于图的增量半监督图像分类方法。然后利用半监督图像分类结果构建具有增量学习能力且蕴含图像目标高层结构信息的物体产生模型，对图像目标进行识别。最后建立增量图像目标分类与识别验证系统。本项目的研究可以为解决网络无类标图像分析、图像高层结构信息提取与分析、以及在线图像分析等问题提供新思路。研究的成果可以提高图像目标分类与识别的准确率与效率，可应用于在线图像、海量网络无类标图像的分析。

结项摘要

本项目重点解决半监督图像目标分类与识别中的基于图像内容的相似度计算、海量图像检索、具有增量学习能力的图像内容产生模型等几个关键问题，通过对半监督学习方法、图谱理论以及增量模型的研究提出了能够利用少量类标增量提取目标高层结构模型、基于匹配的特征筛选、以及基于哈希的海量图像检索的方法，解决了在少量类标情况下高效对图像进行分析的难题。本项目的研究成果为解决网络无类标图像分析、图像高层结构信息提取与分析、以及在线图像分析等难题提供了新的思路。研究的成果提高了图像目标分类与识别的准确率与效率。.受本项目资助，项目组成员共发表论文17篇，包括8篇国际杂志论文和9篇国际会议论文，其中Q1区期刊论文6篇，国际顶级会议论文1篇。发表专著1部，获批专利1项。受此项目资助由项目负责人百晓牵头的“基于图结构的数字媒体分析基础理论和关键技术研究”项目获得了电子学会自然科学一等奖（省部级一等奖）。项目负责人百晓荣获2012年度“教育部新世纪人才”称号和2013年度北京市“青年英才”称号。项目组成员积极开展国际学术交流，有6人次参加国际学术会议，并在多个国际著名会议上做口头报告，邀请国际专家4人次来国内进行合作研究。综上所述，本项目达到了预定研究目标，取得的成果超过了预期成果。

项目成果

期刊论文数量（12）
专著数量（1）
科研奖励数量（1）
会议论文数量（10）
专利数量（0）
Object Detection via Structural Feature Selection and Shape Model
通过结构特征选择和形状模型进行物体检测
  • DOI：
    --
  • 发表时间：
    2013
  • 期刊：
    IEEE Transactions on Image Processing
  • 影响因子：
    10.6
  • 作者：
    百晓
  • 通讯作者：
    百晓
Dat
达特
  • DOI：
    --
  • 发表时间：
    2014
  • 期刊：
    IEEE Transactions on Image Processing
  • 影响因子：
    10.6
  • 作者：
    Xiao Bai;Haichuan Yang;Jun Zhou;Peng Ren;Jian Cheng
  • 通讯作者：
    Jian Cheng
VHR Object Detection Based on Structural Feature Extraction and Query Expansion
基于结构特征提取和查询扩展的VHR目标检测
  • DOI：
    --
  • 发表时间：
    2014
  • 期刊：
    IEEE Transactions on Geoscience and Remote Sensing
  • 影响因子：
    8.2
  • 作者：
    Bai; Xiao;Zhang; Huigang;Zhou; Jun
  • 通讯作者：
    Jun
VHR Object Detection Based on Structural Feature Extraction and Query Expansion
基于结构特征提取和查询扩展的VHR目标检测
  • DOI：
    10.1109/tgrs.2013.2296782
  • 发表时间：
    2014
  • 期刊：
    IEEE Transactions on Geoscience and Remote Sensing
  • 影响因子：
    8.2
  • 作者：
    Xiao Bai;Huigang Zhang;Jun Zhou
  • 通讯作者：
    Jun Zhou
Asymmetric propagation based batch mode active learning for image retrieval
基于非对称传播的图像检索批量模式主动学习
  • DOI：
    --
  • 发表时间：
    2012
  • 期刊：
    Signal Processing
  • 影响因子：
    4.4
  • 作者：
    百晓
  • 通讯作者：
    百晓

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

百晓的其他基金

面向开放世界的可解释目标分析理论和方法研究
  • 批准号：
  • 批准年份：
    2022
  • 资助金额：
    55 万元
  • 项目类别：
    面上项目
基于高光谱的近距离场景分析的研究
  • 批准号：
    61772057
  • 批准年份：
    2017
  • 资助金额：
    65.0 万元
  • 项目类别：
    面上项目
多源图像目标分析关键问题的研究
  • 批准号：
    61370123
  • 批准年份：
    2013
  • 资助金额：
    75.0 万元
  • 项目类别：
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码