信息領域低秩分解若干關鍵問題研究

《信息領域低秩分解若干關鍵問題研究》是依託浙江師範大學，由何小衛擔任項目負責人的面上項目。

基本介紹

• 中文名：信息領域低秩分解若干關鍵問題研究
• 項目類別：面上項目
• 項目負責人：何小衛
• 依託單位：浙江師範大學

項目摘要

近些年來, 低秩分解常用來對具有強相關性的矩陣形式的數據或信號進行恢復和噪聲的分離，凸最佳化是解決低秩分解的一種重要方法，核範數和l1範數通常作為最佳化模型中誘導低秩解和稀釋噪聲的正則化運算元。但經典的低秩分解算法，對於大比例數據缺損的矩陣補全通常表現為不適定性，對於視頻矩陣分離和壓縮感知、子空間劃分和特徵提取（如人臉識別）分解速度慢， 難以滿足實時性需求。. 本項目擬在矩陣補全、視頻背景/前景分離、子空間分割與特徵提取等領域，針對低秩分解中的不適定性和速度慢的問題，在具有低秩分解引導作用的正則化運算元構建、低秩分解模型構建、低秩分解算法等幾個方面開展理論與實驗性研究，提高低秩分解的速度和解的有效性，獲取低秩分解的新理論和新方法，並把得到的理論研究結果套用於各領域中。

結題摘要

在圖像、視頻處理、信號處理等領域，本項目針對稀疏低秩分解的不適定性等問題，在具有稀疏低秩引導作用的正則化運算元構建、稀疏低秩模型構建、稀疏低秩算法等幾個方面開展理論與實驗性研究，獲取稀疏低秩的新理論和新方法，並把得到的理論研究結果套用於各領域中。 通過在圖像、視頻信號處理中稀疏和低秩正則化方面的設計和套用研究中引入合理的結構性和有界性約束，提高圖像視頻或信號的稀疏和低秩表示的有效性，解決圖像恢復、視頻跟蹤、PPG感測器信號回歸、低秩約束的局部重構聚類等問題。相比於經典的、基於傳統特徵的圖像視頻處理方法，深度學習的方法在圖像分類、圖像視頻恢復、對象跟蹤、Object Detection等領域全面領先，項目組根據項目的實施情況和深度學習優秀表現，適時地對項目的研究方向和研究內容做出了了適當的調整和變動，在基於相關濾波的跟蹤算法的基礎上，對於基於深度學習的圖像視頻處理方法做了探索性的研究，並接下去繼續深入對基於深度學習的圖像視頻處理做進一步的研究，以期望在未來幾年取得好的研究成果。 總體上說，本項目在稀疏低秩的正則化設計和套用研究取得了一定的研究成果，推動稀疏低秩在圖像視頻處理與信號處理領域的套用，在基於相關濾波及深度學習的視頻處理領域也取得了初步的成果，為未來幾年對基於深度學習的圖像視頻處理領域的研究打下了基礎。