基於知識遷移的有限樣本模式分類研究

《基於知識遷移的有限樣本模式分類研究》是依託中國礦業大學，由王雪松擔任項目負責人的面上項目。

基本介紹

• 中文名：基於知識遷移的有限樣本模式分類研究
• 項目類別：面上項目
• 項目負責人：王雪松
• 依託單位：中國礦業大學

項目摘要

在許多實際套用場合，對所有類別的樣本進行人工標註是一件費時、費力，甚至是不可能的事情。為此，擬採用知識遷移方法，針對有限訓練樣本（單樣本、零樣本）學習場景下的模式分類問題展開研究。內容包括：將人臉資料庫中具有與目標訓練或測試樣本相同或相近巨觀特徵的樣本視為遷移源，研究基於特徵遷移的單樣本人臉識別；為在零樣本學習場景下充分利用與屬性相關的先驗知識，首先，採用結構化學習方法挖掘屬性與屬性間存在的內在聯繫，構建多屬性聯合預測模型。其次，借鑑多任務學習中特徵選擇的思路，將屬性與底層特徵間的聯繫融入進分類器的設計之中；為克服相對屬性需要假定所有未見類圖像和可見類圖像均服從特定分布的局限性，將相對屬性與決策樹相結合，進而構造隨機森林，實現零樣本學習場景下的圖像分類。研究成果不僅可以豐富現有的機器學習理論和方法，而且能夠廣泛推廣套用到模式分類的諸多相關領域，具有重大理論意義和實用價值。

結題摘要

採用知識遷移方法，針對有限訓練樣本學習場景下的模式分類問題展開研究。將人臉資料庫中具有與目標訓練或測試樣本相同或相近巨觀特徵的樣本視為遷移源，提出一種基於特徵遷移的單樣本人臉識別方法。通過為不同的屬性賦予一個相應的權重來區分不同的屬性對於決策分類的不同貢獻程度，提出一種基於關聯機率的加權IAP模型。針對屬性學習中存在的所有特徵與屬性被同等對待，底層特徵與屬性、屬性與屬性之間的先驗知識被忽略的問題，提出一種基於屬性關係圖正則化特徵選擇的零樣本分類方法以及基於屬性與類別相關先驗知識的屬性學習模型。針對單純語義屬性描述類別的有限性，提出一種基於混合屬性的零樣本圖像分類模型。鑒於深度學習能夠從原始無標籤圖像中自動提取到更具表達力的特徵，分別提出一種基於深度特徵提取和深度加權屬性預測的零樣本學習方法。利用領域適應技術，提出一種基於自適應多核校準的多源域屬性適應學習。為克服相對屬性需要假定所有未見類圖像和可見類圖像均服從特定分布的局限性，提出一種基於相對屬性的隨機森林零樣本圖像分類方法。針對遷移學習中存在的負遷移、欠適配和欠擬合問題，為學習有效特徵並最大程度減小領域間的分布差異，分別提出基於自動編碼器的（異構）領域適應網路以及基於超圖正則化降噪自動編碼器的領域適應網路。為設計更為有效的圖像特徵提取及分類模型，項目組提出了多種深度學習及維數約簡方法，包括：基於金字塔結構的深度卷積網路、多路徑集成卷積網路、權重共享多級多尺度集成卷積網路、非負稀疏半監督維數約簡、基於成對約束判別分析和非負稀疏散度的降維、基於張量近鄰圖和補丁校準的降維、基於監督超圖和樣本擴充CNN的降維等。獲教育部自然科學二等獎1項，授權發明專利8件，出版專著4部，培養研究生14名，發表/錄用論文40篇（32篇SCI，8篇Ei）。