《基於層次化學習算法的大規模目標識別》是依託廈門大學，由曲延雲擔任項目負責人的面上項目。
基本介紹
- 中文名：基於層次化學習算法的大規模目標識別
- 項目類別：面上項目
- 項目負責人：曲延雲
- 依託單位：廈門大學
項目摘要,結題摘要,
項目摘要
面對大規模視覺目標識別帶來的計算效率和性能要求上的挑戰，課題擬借鑑視覺感知的層次化機制，建立大規模視覺目標識別的層次化學習模型，提高計算效率、改善識別性能。本課題通過構造視覺感知驅動的分層視覺樹,反映目標類之間的視覺拓撲關係，指導最優的K-NN近鄰參數選擇，從而克服在大規模目標識別中被證明有潛力的K-NN分類器對近鄰參數的敏感性；研究目標類可分性和分類器學習複雜性的評估預測方法，選擇最優的K-NN學習模型，改善分類性能；研究分層視覺樹結構驅動的分類器設計與訓練，建立自頂向下的分層識別框架，顯著降低K-NN的最佳化代價並控制層間誤差傳播，提高效率和識別性能。本研究對大規模目標類識別採用分而治之策略，可克服傳統模式識別方法在效率與性能上的局限，預期將形成新的計算模式，為大規模視覺目標識別的理論和算法研究奠定基礎。其成果有助於推動計算機視覺和多媒體等領域的研究，具有重大的科學意義和套用價值。
結題摘要
面對大規模視覺目標識別帶來的計算效率和性能上的挑戰，課題擬借鑑視覺感知的層次化機制，建立大規模視覺目標識別的層次化學習模型，提高計算效率，改善識別性能。本課題通過構造視覺感知驅動的分層視覺樹，反映目標類之間的視覺拓撲關係；研究目標類可分性和分類器學習複雜性的評估預測方法，改善分類性能；研究分層視覺樹結構驅動的分類器設計與訓練，建立自頂向下的分層識別框架，顯著降低模型最佳化代價並控制層間誤差傳播，提高效率和識別性能。本項目取得的重要成果如下：1、提出了一種新的層次化的類結構學習和大規模圖像分類聯合學習的方法，包括三個方面的貢獻，設計了一種新的類間相似性度量，基於分層譜聚類形成視覺樹；設計基於最優路徑的圖像類別標號預測方法。2、提出了基於Bregman 疊代的聯合字典學習方法。父節點形成公共字典，葉子節點形成判別字典，提高了類標號預測效率。3、提出了基於超圖聚類正則化的非負矩陣分解方法並用於圖像聚類。將單個超圖限制拓展到多個超圖限制，提出多個超圖結構自適應學習的低秩矩陣分解方法。4、將層次化學習的思想套用於行人再識別，設計基於時間增強卷積神經網路的面向視頻的行人再識別。5、提出了基於耦合自編碼網路的超分辨重建方法和基於錨點高斯過程回歸的超分辨重建方法。本項目共發表論文23篇，其中SCI期刊論文14篇（JCR1區論文1篇，JCR2區論文8篇），一篇論文被頂級會議AAAI2018錄用。授權發明專利一項。參加2017年中國智慧型車未來挑戰賽離線組比賽—交通標誌識別獲得一等獎，2017年CCF大數據與計算智慧型大賽艦船識別組比賽三等獎，獲得2016年福建省優秀碩士學位論文一篇。本研究對大規模目標類識別採用分而治之策略， 可克服傳統模式識別方法在效率與性能上的局限，形成新的計算模式，為大規模視覺目標識別的理論和算法研究奠定基礎。該研究成果可推廣到異構大數據分析、圖像標註等多方面套用，有助於推動計算機視覺和多媒體等領域的研究，具有重大的科學意義和套用價值。
