《基於多線性子空間分析的視頻特徵壓縮表示及套用研究》是依託華南理工大學，由韓國強擔任項目負責人的面上項目。
基本介紹
- 中文名：基於多線性子空間分析的視頻特徵壓縮表示及套用研究
- 項目類別：面上項目
- 項目負責人：韓國強
- 依託單位：華南理工大學
項目摘要,結題摘要,
項目摘要
視頻數據的特徵壓縮表示是高效處理海量視頻數據的前提。由於張量這種表示形式能夠很好地描述多維度視頻數據內在的自然結構和相關關係，視頻數據需要用張量來進行描述。然而，多維度的視頻數據往往具有高維特性，存在大量的冗餘，僅用一些低維的子空間就可以進行表示。多線性子空間分析方法能夠直接對張量進行操作，在降維過程中每一階張量的冗餘信息都能夠得到有效的移除。傳統的多線性子空間分析方法存在著一定的局限性，如：要求基本向量是正交的，難以對投影矩陣進行解釋，而且只能獲取局部最優解等等。在本項目中，我們擬研究新的基於稀疏表示的多線性子空間分析方法，運用高階奇異值分解法、帶約束條件的目標函式和稀疏表示來克服傳統方法的局限性，探討其在多維度海量視頻數據特徵壓縮表示和物體識別中的套用，並將新方法套用於平安城市、智慧交通、智慧醫療等領域。
結題摘要
如今是數據科學的時代，大量的數據以張量的形式呈現。項目提出了一種關於張量完備的新方法，該方法利用低秩逼近技術來探索張量數據的隱藏全局結構，同時利用稀疏編碼技術來表示張量數據的局部模式；我們採用了一種加權張量核範數方法來對張量數據的低秩結構進行描述。在顯著性檢測方面，針對顯著區域的這一性質引進了聚集度的概念，並對數據集合的聚集度性質進行了定義和證明；提出了一個新穎的配備了殘差修復模組（RRBs）的循環殘差改善網路（R^3Net）去更加精確地檢測輸入圖像中的顯著性物體；提出了一個用於檢測陰影的網路，其通過探索和結合處於網路高層的全局上下文信息和處於網路低層的局部上下文信息來進行檢測；在聚類集成方面，設計了一個新的噪音免疫聚類集成算法AP2CE，用於解決噪音數據集所帶來的挑戰；提出了DSCE分散式聚類結構集成框架來尋求最具有代表性的融合聚類結構；提出了一種隨機雙聚類 的聚類集成框架（RDCCE）用於癌症基因表達數據的聚類；提出了一種基於自適應混合特徵選擇的分類器集合（AHFSE）用於癲癇發作分類；在生物特徵識別方面，提出深度安全量化（DSQ），這是一種新的生物特徵哈希方案，用於保護隱私的生物特徵識別；還提出了一個快速的基於結構的ASCII藝術生成方法，它可以接受任意的圖像作為 輸入；提出一種基於手機的內側指橫紋（IKP）生物特徵識別； 此外，我們在機器學習與分類、圖像分割、圖像加密、陰影檢測、多維基因組數據分析、基因-藥物共表達模組發現、車輛快速檢測、交通流預測等方面進行了探討，取得了一定成果。
