《基於低秩模型的聯合特徵學習與識別算法研究》是依託杭州電子科技大學，由彭勇擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於低秩模型的聯合特徵學習與識別算法研究
- 項目類別：青年科學基金項目
- 項目負責人：彭勇
- 依託單位：杭州電子科技大學
項目摘要,結題摘要,
項目摘要
近年來，低秩學習模型在生物特徵識別、圖像處理與視頻分析等套用中取得了顯著的效果，已經成為機器學習與模式識別領域的研究熱點。然而目前的低秩學習算法多數被用作數據去噪預處理或圖的構造方法等，低秩學習目標不能很好的與數據的後續特徵學習、識別等任務協同起來。因此，本項目擬在聯合學習的框架下開展以下內容研究：（1）針對噪聲環境下的子空間學習問題，提出聯合低秩學習與子空間學習模型；（2）針對噪聲環境下的圖構造與子空間聚類問題，提出聯合低秩學習與子空間聚類模型；（3）針對引入部分標籤信息以增強低秩係數圖的判別性問題，提出聯合低秩學習與半監督學習模型；（4）針對數據特徵學習和分類任務獨立分階段進行的問題，提出聯合低秩特徵學習與分類模型。項目旨在通過以上內容的研究，提出一套完整的聯合特徵學習與識別算法框架，為實現更有效地高維數據分析提供理論和算法支撐，為噪聲環境下的協同特徵學習與識別算法研究開拓新的視角。
結題摘要
低秩學習模型在生物特徵識別、圖像處理與視頻分析等套用中取得了顯著的效果，已經成為機器學習與模式識別領域的研究熱點。然而目前的低秩學習算法多數被用作數據去噪預處理或圖的構造方法等，低秩學習目標不能很好的與數據的後續特徵學習、識別等任務協同起來。因此，在聯合學習的框架下實現基於低秩學習的聯合特徵提取與識別，對實現更有效地高維數據分析提供理論與算法支撐，具有重要的科學意義。本項目對基於低秩模型的聯合特徵學習與識別算法展開了多方面的研究。為避免先得到低秩係數圖再進行圖的子空間學習兩階段模式的次優性，提出了基於低秩表示與譜回歸的聯合子空間魯棒學習算法，實現了圖的構造與子空間投影矩陣的協同學習、噪聲數據的自動恢復以及模型的可擴展性；為刻畫數據可能存在的非線性信息以及在核空間中進一步發掘數據的結構化信息，提出了流形自適應核低秩表示模型；為進一步地提升圖上的相關機器學習算法性能，提出了聯合秩約束的結構化圖學習與無監督特徵選擇算法，聯合秩約束的結構化圖學習與圖正則化的非負矩陣分解算法，聯合秩約束的結構化圖學習與自表示概念分解算法，解決了在給定圖的情況下，各學習算法的性能嚴重依賴給定圖的質量的問題；此外，項目組還提出了稀疏保持的超限學習機算法、正交超限學習機算法、並行向量場約束的非負矩陣分解算法等。項目組在執行過程中，對低秩學習相關基礎理論、算法、技術進行研究並獲得了較豐富的成果。目前已經發表論文16篇，其中SCI期刊論文7篇，CCF推薦B類會議論文6篇，普通國際會議論文2篇，中文核心期刊論文1篇；申請專利3項，授權1項；參與獲得中國電子學會技術發明三等獎1項。部分成果發表在國內外重要期刊與學術會議如Complexity、Neurocomputing、Computer Methods and Programs in Biomedicine、Journal of Ambient Intelligence and Humanized Computing、ICASSP、BIBM等。此外，部分研究成果還處於審稿中。接下來，將圍繞低秩學習在情感腦電數據的有效成分發掘與識別、聲吶圖像的目標檢測進行套用拓展研究。
