面向图像分析的隐变量多样化理论与应用研究

Image analysis is essentially formulating mathematical models and using image processing techniques to represent and utilize the information in observed images and latent information behind them to infer correct decisions. The latent information exists in various forms and usually follows the long-tail distributions. However, usual image analysis models make the majority of their latent variables gather to represent small amount of latent information appearing in a high frequency, and thus have limited abilities to represent the important latent information distributed in the long-tail part. How to satisfy the urgent application requirements is still facing serious challenges. This project aims to systematically study the new theories and methods to diversify latent variables for image analysis, so that the latent variables can be dispersed to model and utilize the versatile latent information and thus can efficiently satisfy the various application requirements, such as that from the multiple scenes, multiple contents and multiple models. The researches of this project are as follows: (1) This project will investigate the basic structures of latent variables in image analysis models, and thus constructs the set of the common basic graph forms of latent variables; (2) This project will study the diversity measures of latent variables over basic structures, so as to achieve the latent variable diversity’s mathematical descriptions, which have rich description ability and can be easily computed; (3) This project will develop the methods to diversify latent variables over the constructed basic structures, so as to propose the training and inference methods to efficiently implement diversifying latent variables; (4) Taking the typical image analysis models and image analysis tasks as examples, this project will investigate the application strategy of the diversified latent variable models, and aims to develop generic methods for the model implementations and applications.

图像分析的本质是构建数学模型，结合图像处理技术，表述和利用观察图像及其背后的隐含信息，推断正确决策结果。隐含信息形式多样且通常服从长拖尾分布。常见模型使其含有的多数隐变量集中表述少量出现频率高的隐含信息，对长拖尾部分的重要隐含信息表述能力有限。如何满足迫切应用需求仍面临严峻挑战。本课题旨在系统研究面向图像分析的隐变量多样化的新理论和新方法，使隐变量分散构建长拖尾分布的隐含信息，高效适应具体任务多场景、多内容和多模型的应用需求。本课题拟开展如下研究：（1）研究图像分析模型中隐变量的基础结构，构建隐变量普遍存在的基本形态；（2）研究隐变量基础结构上的多样性度量，实现易于计算、表述能力丰富的隐变量多样性的数学描述；（3）研究隐变量基础结构上的多样化方法，构建训练和推断策略，高效实现隐变量多样化；（4）研究隐变量多样化模型的应用策略，以典型模型和典型任务为研究对象，建立普适性的模型实现和应用方法。

由于图像内容丰富和应用需求的复杂多变，仅仅依靠图像分析模型中表示观察图像的显变量，难以构成有效的处理模型。需要在图像分析模型中引入隐变量，实现对观察图像背后重要隐含信息的构建和利用。本课题以目标表述、目标检测、目标分类作为实际应用对象，针对图像分析中的隐变量多样化新理论和新方法开展了深入研究，取得了三方面的重要研究成果：（1）在隐变量基础结构分析方面，提出了数据内蕴结构相关多样化特性分析、图像中深度与结构统计特性的多样化分析、基于数据多样化的场景分类非监督深度学习方法、场景分类的非监督卷积特征多样化融合网络结构、深度匹配网络分析等方法，总结了典型的图像分析模型中的隐变量基础结构；（2）在表述隐变量基础结构上的多样化度量以及多样化方法研究方面，提出了深度隐变量模型的多样化学习方法、深度结构度量及其多样化学习方法、多尺度和深度结构度量及其多样化学习方法、深度度量和中心点联合学习的多样化学习方法、基于伪类中心点无监督学习的多样化学习方法、基于统计特性驱动深度学习的多样化学习方法、基于深度流形嵌入的多样化学习方法等，在实际应用场景中验证了研究方法的优异性能；（3）在决策隐变量基础结构上的多样化度量以及多样化方法研究方面，提出了多样化多高光谱目标表述学习方法、基于深度置信网络的多样化多选择学习方法、基于交叉熵的多样化多选择学习方法、不均衡数据的多样化多示例学习方法、基于包均衡的多样化多示例学习方法、多样性方法理论框架构建等，在实际多决策隐变量应用场景中，验证了提升决策性能的能力。. 项目执行期间共发表学术论文25篇，包括国际期刊论文16篇（SCI检索15篇，其中2篇论文入选ESI高被引论文），国际会议8篇，国内核心期刊1篇。论文主要发表在IEEE T-NNLS、IEEE T-GRS、IEEE J-STARS、Remote Sensing等本领域顶级或权威期刊。申请国家发明专利1项。在本项目的支持下，共培养博士后1名、博士研究生2名（1名已毕业）、硕士研究生11名（3名已毕业），2名研究生的学位论文分别荣获全军和湖南省优秀学位论文奖。

内容获取失败，请点击重试