《基於類別結構信息和結構化學習的維數約簡》是依託天津大學，由龐彥偉擔任項目負責人的面上項目。
基本介紹
- 中文名：基於類別結構信息和結構化學習的維數約簡
- 項目類別：面上項目
- 項目負責人：龐彥偉
- 依託單位：天津大學
項目摘要,結題摘要,
項目摘要
針對模式識別問題中類別之間通常存在樹形等結構關係的事實，提出並研究基於結構化學習(structured learning)的維數約簡的理論框架和方法，提高處理圖像、視頻等高維數據的泛化能力和速度。現有子空間分析、流形學習等維數約簡方法都忽略了類別之間的結構關係(如樹狀歸屬關係: 狗和狼屬於貓科動物，人和猴子屬於哺乳動物，而貓科動物和哺乳動物又都屬於動物)，而僅僅平等對待、無序使用各類別，所得特徵不能支持快速識別，也限制了識別的泛化能力。另一方面，雖然近年出現的結構化學習能夠處理結構化數據，但它僅限於得到分類或回歸函式。為了克服上述問題，本項目研究一個基本理論框架，充分利用類別之間結構關係所蘊含的有用信息，突破現有結構化學習的局限，以結構化學習的形式進行維數約簡。在該框架下，研究以維數約簡為核心的結構化學習的目標函式和約束條件、最最佳化方法、訓練過程的收斂性並提出訓練算法的收斂條件。
結題摘要
維數約簡是計算機視覺和模式識別的關鍵，對提高系統的效率和泛化能力有重要的作用。本項目主要研究利用數據內部的結構信息進行維數約簡和特徵提取。在這些方面，本項目發表了學術論文20篇，其中EI檢索源論文20篇，SCI期刊源論文16篇，IEEE彙刊論文6篇。主要成果包括：(1) 提出了一種基於聚類的正則化LDA子空間學習方法，該方法在不使用額外訓練數據的前提下，通過無監督聚類的方法，充分利用給定數據本身的結構信息，利用聚類類內和聚類類間散布矩陣對類內和類間散布矩陣進行正則化處理，使其逼近真實矩陣。實驗表明，訓練數據越稀疏所提方法優勢越突出。(2) 提出了基於鑑別分析的最優空間濾波器。首先將每類EEG信號分成若干個聚類。在次基礎上將設計了一個新的圖嵌套框架。該框架中聚類中心構成圖的結點，圖邊連線權重包含了某一聚類中的樣本個數，包含了聚類的先驗知識。(3) 提出了基於相關數據超球結構保持的維數約簡。提出用與變換域相關樣本中心的距離表示用戶意圖的程度，同時將基於相關性保持的低維嵌入和基於非相關性排斥的低維嵌入項納入到目標函式中，利用譜分析求得最優解。(4) 提出了基於前景稀疏結構特性和連通結構特性的增量式子空間視頻目標提取方法。該算法從目標函式設計入手，同時引入了數據保真項、前景稀疏項、前景連通項。用少量基函式表示背景，用L1範數刻畫稀疏性，用馬爾科夫模型表達連通性。 (5) 提出了利用排序結構信息的維數約簡方法。將傳統的成對標籤約束進行延伸為排序相關等級，使傳統的典型相關分析算法具有最優排序能力，同時可以以半監督的方式同時利用有標籤數據和無標籤數據。(6) 提出了基於圖像水平、垂直、尺度三維結構的特徵提取和分類方法. 針對物體檢測中搜尋空間大、特徵提取計算量大的問題，構建了由水平、垂直、尺度三個因子組成的三階張量空間，設計尺度容量和位移容量，根據分類器的回響預測潛在物體範圍。(7) 提出基於分散式結構的特徵提取和分類方法。提出利用視頻中圖像序列的時空相關性，將最消耗計算量的高維特徵提取和分類分配到相鄰的不同幀中，每幀只提取部分低維特徵向量並完成部分分類任務。(8) 提出基於內積稀疏結構的特徵提取和分類算法。我們發現在空間域相鄰的子圖像在特徵空間裡也具有相鄰關係。背景子圖像和物體子圖像均具有該特性。基於此特性，我們提出用一次內積運算和很少的加法運算來排除較多子圖像的方法。
