《大規模稀疏遷移學習理論及其在SAR圖像分類中的套用》是依託西安電子科技大學，由緱水平擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：大規模稀疏遷移學習理論及其在SAR圖像分類中的套用
- 項目類別：青年科學基金項目
- 項目負責人：緱水平
- 依託單位：西安電子科技大學
中文摘要,結題摘要,
中文摘要
針對機器學習泛化能力和其套用於SAR圖像分類中的瓶頸問題，在研究遷移學習和稀疏表示的基礎上，分析遷移學習中的大規模數據計算以及不同任務相關性的最佳特徵表示問題，研究了SAR圖像分類中目標不完備、多噪聲以及動態等特性，提出將遷移學習用於解決複雜背景下的SAR圖像分類問題。根據已有的領域先驗信息，結合圖像特徵和壓縮感知稀疏表示特性，提出一種遷移判別分析的快速投影追蹤學習算法；為了在合理時間內求解大規模圖像區域分割問題，設計一種流行正則的特徵重要度排序稀疏遷移譜聚類算法；進一步將多個源域知識較好地遷移到異構的目標域，構造一種基於核匹配追蹤的快速遷移分散式網路學習算。期望能在解決機器學習大規模和不獨立同分布泛化能力差等問題上，有實質性進展，研究成果可套用于軍事、民用等相關領域，具有較好的理論和套用價值。
結題摘要
針對機器學習泛化能力和其套用於SAR圖像分類中的瓶頸問題，深入研究遷移學習和稀疏表示理論，實現了將遷移學習用於解決複雜背景下的大規模SAR圖像的分類問題。主要研究了稀疏遷移學習的基本框架，構造了字典遷移、核匹配追蹤遷移和譜聚類遷移等遷移學習方法，有效推動了遷移學習算法的研究進展，在SAR圖像的分類的複雜數據上取得了很好的結果。具體講，本課題建立了一種稀疏遷移學習的模型，以核匹配追蹤和譜聚類為代表構造了一種新的遷移分類和的聚類算法，並將其用於SAR圖像分類，代表性成果授權發明專利2項，在此基礎上，為了進一步將其套用於SAR圖像的大規模數據，我們利用並行技術構造了並行稀疏譜聚類算法，相關成果獲得省部級科學技術成果獎一等獎一項；提出了一種快速求解大規模圖像分割的快速聚類算法，這些算法與原始Nyström譜聚類算法相比，時間複雜度相同，穩定性和準確率大大提高；代表性成果已發表到國際主流期刊上；建立了一種快速遷移分散式網路學習算法，該算法克服了非平衡數據的影響，可以避免過擬合，同時具有不同域或多任務學習的能力。相關成果授權專利1項，獲得教育部新技術發明獎二等獎1項，獲批軟體著作權1項。此外，為進一步滿足國防和生命健康的重大需求，我們針對高光譜圖像、極化SAR圖像和大規模序列醫學圖像，構造了基於遷移集成算法的高光譜圖像分類模型，有效避免了高維數據的海量計算代價，同時提出了一套疏遷移學習的CT序列分割方法，並嘗試了其在極化SAR圖像中的套用，這些結果使得我們在完善遷移學習理論體系的同時，為多種圖像的分類識別開創了一條新的途徑。
