基於人類感知機理的不變特徵表示及其套用

《基於人類感知機理的不變特徵表示及其套用》是依託北京交通大學，由黃雅平擔任項目負責人的面上項目。

基本介紹

• 中文名：基於人類感知機理的不變特徵表示及其套用
• 項目類別：面上項目
• 項目負責人：黃雅平
• 依託單位：北京交通大學

項目摘要

不變特徵表示是指從變化的事物表象中提取出不變的本質特徵。無論是在計算機視覺，還是模式識別和機器學習等領域都是一個面臨巨大挑戰的課題。目前的計算機視覺與高度完美的人類視覺處理能力相比，存在著巨大的差異，因此本項目借鑑人類視覺感知系統抽取不變特徵的信息處理過程，探索不變特徵表示問題。主要內容有：擬通過分析自然圖像的時空特性，在有效編碼的約束下，構建不變特徵表示的理論框架；根據人類處理不變特徵的分層處理特點，將不變特徵分成初級不變特徵和高級不變特徵分層進行處理；研究成果將套用於複雜場景的目標分類任務中，對於快速的目標分類任務，僅採用前向連線滿足實時性的要求，對於精確的目標分類任務，則增加反向連線和注意機制，提高性能。研究方案結合了生物視覺、機器學習等多個領域的最新研究進展，研究成果將有助於圖像內容理解與分析、特徵提取等關鍵問題的解決，具有重要的理論意義和實用價值。

結題摘要

不變特徵表示是指從變化的事物表象中提取出不變的本質特徵。無論是在計算機視覺，還是模式識別和機器學習等領域都是一個面臨巨大挑戰的課題。目前的計算機視覺與高度完美的人類視覺處理能力相比，存在著巨大的差異，因此本項目借鑑人類視覺感知系統抽取不變特徵的信息處理過程，探索不變特徵表示問題。本項目按照預定的研究計畫，順利完成了預計的成果指標，取得了一些重要的研究成果，主要有：(1) 在有效編碼假說的框架下，構建了基於成對累計量的不變特徵表示模型PCICA（Pairwise Cumulant-based Independent Component Analysis），能夠模擬複雜細胞的稀疏性、相鄰細胞的相關性；(2) 對PCICA模型進行了算法最佳化，提出了快速學習算法PCICA-F，在理論上證明了，PCICA-F算法具有三階收斂的特點，優於同類算法至多二階收斂的性能；(3) 提出了不變特徵ICC（Invariant Complex Cell）描述子，並根據複雜細胞的信息處理方式，提出了基於ICC描述子的特徵提取模型來提取目標圖像的局部不變特徵；(4) 引入準正交的假設，構建了具有過完備性的不變特徵表示模型OPCICA（Overcomplete PCICA）；(5) 在PCICA模型的基礎上，利用特徵編碼的有效性和慢變性作為目標約束，提出了非線性近鄰保持NNP（Nonlinear Neighborhood Preserving）方法，能夠求解複雜的光照、視角等高級不變特徵；(6) 結合注意機制，構建了基於PCICA的選擇注意機制模型；(7) 將上述模型和算法套用到圖像分類識別、圖像分割和目標檢測等高級視覺任務中，進行了有益的探索。總體來說，本項目按照計畫順利完成。發表了研究論文23篇，包括國際期刊11篇（IEEE Trans. on SMC、Information Sciences、BMC Neuroscience、Neural Processing Letters等），國際會議10篇（CVPR2011、ACM MM 2010、ICIP 2011、ICIP 2010、ICPR 2010等），國內學報2篇（計算機學報等）。其中，SCI檢索論文11篇，EI檢索期刊論文1篇。取得了授權發明專利2項。培養了博士生4名，碩士生4名。