《基於表示學習的圖像復原和識別方法研究》是依託南京理工大學，由楊健擔任項目負責人的面上項目。
基本介紹
- 中文名：基於表示學習的圖像復原和識別方法研究
- 項目類別：面上項目
- 項目負責人：楊健
- 依託單位：南京理工大學
項目摘要,結題摘要,
項目摘要
大數據中圖像（視頻）占據著舉足輕重的地位，圖像（視頻）的理解和識別在社會、經濟和國家安全等領域中扮演著越來越重要的角色。低質量和污染圖像的識別已成為當前視覺監控和人臉識別領域的瓶頸問題。本項目將面向圖像復原和識別兩個緊密相關的問題，從低秩分解、稀疏表示和流形學習三方面開展表示學習理論與算法研究，旨在建立圖像復原和分類識別一體化框架。主要內容包括：（1）基於核範數度量的最優重構方法研究；（2）基於表示學習的圖像復原方法研究；（3）基於表示學習的特徵生成方法研究；（4）圖像復原和分類識別一體化方法研究。最後，基於以上理論與方法成果，構建圖像復原和識別的穩健視覺系統驗證平台。
結題摘要
低質量和污染圖像的識別已成為當前視覺監控和人臉識別領域的瓶頸問題。為解決此類問題，本課題重點研究了基於表示學習的圖像復原與識別方法。針對圖像的最優重構問題，提出了一種雙低秩矩陣恢復模型來完成多種顯著性方法的融合；該方法重在研究如何用兩個低秩矩陣來分別刻畫顯著性目標和背景。針對圖像復原問題，提出了一種基於非參數貝葉斯組回歸表示的圖像復原與識別方法。該方法融合了實際噪聲的長尾屬性以及結構信息。因此，所估計的表示係數可以更有效地刻畫數據之間的關係且更準確地恢復我們想要的圖像。針對低秩表示理論，提出了基於核範數的矩陣回歸方法並給出了快速的ADMM算法求解該模型，該方法旨在解決圖像識別中存在的複雜結構噪聲問題。藉助核範數的刻畫矩陣空間結構的優勢，提出了一種結構化的基於核範數的二維主分量分析圖像特徵抽取方法。針對神經網路模型，提出了一種存儲和計算高效的遞歸神經網路方法，該方法相比於以前的模型參數量減少了上百倍，同時得到了更好的精度。基於人的記憶是具有持續性的特點，提出一種非常深的基於殘差學習的持續記憶網路，來完成圖像復原任務。除此之外，面向圖像復原和識別問題我們也提出了一系列表示學習方法。
