面向多子空间结构分析的高维数据编码技术研究及其应用

Classical single-subspace analysis techniques have made a great progress in the field of high dimensional data processing. However, this kind of methods are usually not meticulous enough to recover the complex data structure. To address this issue, in this project, we prepare to study high dimensional data coding techniques for multi-subspace analysis in order to extract the multi-subspace structure information accurately. Specifically, the research of this project will be focused as follows: (1) Propose a high dimensional multi-subspace analysis framework by combining high dimensional data coding techniques and clustering algorithms; (2) Propose a method for modeling complex noise in high dimensional data based on generative models; (3) Propose a dictionary learning method, which is multi-scale/multi-layer, by combining with multi-scale analysis and hierarchy of the multiple subspace; (4) Propose a structural coding method by mining dictionary structural information and the order of samples; (5)Design a clustering algorithm coupling tightly with high dimensional data coding by considering complementary information of coding and clustering process；(6)Propose and implement an visual feature coding method based on the results achieved for high dimensional data multi-subspace structure analysis, which integrates multi-subspace structural information, spatial constraints of images and contextual information. The research results of this project will provide new horizons for high dimensional data processing by improving the performance and the efficiency of high dimensional data coding.

传统的面向单子空间分析的数据编码方法对高维数据的结构刻画不够精细，难以取得令人满意的效果。针对这一问题，本项目面向高维数据的多子空间结构分析，借助矩阵低秩建模、稀疏表示、字典学习等技术，研究其结构化编码技术，以更加精细地刻画高维数据的多子空间结构。项目的研究内容包括：(1)结合高维数据编码技术和聚类算法，提出一种多子空间分析框架；(2)基于生成式模型和低秩矩阵分解技术，提出一种高维数据复杂噪声建模技术；(3)结合多尺度分析技术和多子空间层次关系，提出一种多尺度/多层次字典学习方法；(4)挖掘字典结构信息和样本先后顺序，提出一种结构化编码方法；(5) 考虑编码过程和聚类过程的信息互补，设计一种与高维数据编码紧耦合的聚类方法；(6) 根据对高维数据的多子空间结构分析结果，提出一种融合多子空间结构信息的图像视觉特征编码方法。本项目的研究成果可有效提升高维数据的编码性能和效率。

传统的面向单子空间分析的数据编码方法对高维数据的结构刻画不够精细，难以取得令人满意的效果。针对这一问题，本项目面向高维数据的多子空间结构分析，借助矩阵低秩建模、稀疏表示、字典学习等技术，研究其结构化编码技术，以更加精细地刻画高维数据的多子空间结构。项目的研究内容包括：(1) 结合高维数据编码技术和聚类算法，提出一种多子空间分析框架；(2) 基于生成式模型和低秩矩阵分解技术，提出一种高维数据复杂噪声建模技术；(3) 结合多尺度分析技术和多子空间层次关系，提出一种多尺度/多层次字典学习方法；(4)挖掘字典结构信息和样本先后顺序，提出一种结构化编码方法；(5) 考虑编码过程和聚类过程的信息互补，设计一种与高维数据编码紧耦合的聚类方法；(6) 根据对高维数据的多子空间结构分析结果，提出一种融合多子空间结构信息的图像视觉特征编码方法；(7) 利用基于扰动的方法优化激活映射，提出了一个用于可视化深层神经网络的两阶段可解释性框架。本项目的研究成果可有效提升高维数据的编码性能和效率。

内容获取失败，请点击重试