基於噪聲建模的統一特徵提取模型、理論、方法與套用

《基於噪聲建模的統一特徵提取模型、理論、方法與套用》是依託西安交通大學，由孟德宇擔任項目負責人的面上項目。

基本介紹

• 中文名：基於噪聲建模的統一特徵提取模型、理論、方法與套用
• 項目類別：面上項目
• 項目負責人：孟德宇
• 依託單位：西安交通大學

中文摘要

本項目將基於對複雜噪聲進行建模的手段建立統一的特徵提取研究架構，主要針對具有複雜噪聲結構與缺失信息數據的特徵提取問題展開研究。傳統特徵提取方法主要基於L2與L1誤差範數對問題進行建模，其有效性本質限定於混有高斯與拉普拉斯分布噪聲的數據。本項目將通過對噪聲結構分布進行建模，並進而利用最大似然方法對模型進行求解，從而同時完成數據本質特徵提取與複雜噪聲結構學習兩個目標。所提思想將本質擴展特徵提取方法的有效套用範圍，進而對蘊含有複雜噪聲結構與缺失信息的數據進行有效的自適應性噪聲學習與穩健性特徵提取。所獲結果不僅對於闡明特徵提取問題的實質規律，揭示特徵提取方法的內在有效性機制方面具有重要理論意義，也在人臉識別與紅外圖像小目標識別等實際問題中擁有廣闊的套用前景。

結題摘要

項目原計畫目標為從模型、理論、方法與套用層面研究具有複雜噪聲結構數據的魯棒性機器學習問題。經過四年的執行，項目組圓滿完成原項目計畫，並對原項目任務進行了顯著性擴展。項目成果共包括59篇論文，其中SCI文章35篇，IEEE Trans論文14篇，期刊影響因子大於4的文章17篇，影響因子大於2的論文29篇；CCF A類會議18篇，CCF B類會議5篇；在人工智慧學會通訊撰寫科普報告一篇；申請國家發明專利4項（待授權）。項目主要成果介紹如下：針對複雜噪聲結構與缺失信息數據問題原創性地提出“基於數據驅動的誤差建模”與“基於認知機理的自步學習”兩類機器學習建模新型機理，本質性擴展了原定項目方案，形成了針對蘊含複雜噪聲信號重建問題與蘊含干擾標記/無標記/弱標記目標識別問題的新型處理策略，所提魯棒學習方法論不僅在原項目計畫的人臉識別與紅外小目標檢測問題上獲得成功套用，且將其有效套用於高光譜去噪，穩健性視頻壓縮，生物化學結構檢測，CT圖像增強，魯棒多曝光率圖像融合，多媒體事件檢測，弱監督視頻概念檢測，視頻語義搜尋，半監督示例標定等多項實際問題中。項目成果支持CMU信息媒體實驗室與香港中文大學在TRECVID與IEEE GRSS競賽中取得優異成績。