《無約束視頻圖像的判別特徵學習與自適應方法研究》是依託中山大學，由任傳賢擔任項目負責人的面上項目。
基本介紹
- 中文名：無約束視頻圖像的判別特徵學習與自適應方法研究
- 項目類別：面上項目
- 項目負責人：任傳賢
- 依託單位：中山大學
中文摘要,結題摘要,
中文摘要
無約束視頻圖像的特徵表示與分類是計算機視覺與模式識別領域的核心基礎問題。判別特徵提取、度量學習及自適應算法的好壞直接關係著智慧型處理系統的最終性能。現有方法在個別資料庫已經取得了較好的分類精度，卻也仍舊存在一系列待解的難題。背景複雜與變化多樣是無約束視頻圖像分類問題的兩大難點，多重解析度進一步加劇了圖像對齊與匹配的難度。本課題針對上述難點問題展開研究。通過研究圖像的局部秩序編碼方案，得到更加符合視覺認知規律的特徵增強方法。通過非線性映射下的卷積濾波運算元學習，建立新的淺層判別分析模型，提高特徵學習過程中的抗噪性能與判別能力。通過研究異構度量學習算法，提高深度學習方法在不同解析度下的分類性能。通過研究領域自適應方法的一般框架，建立深度學習方法的可遷移結構模型，提高算法的靈活性。此外，本課題還進一步研究更加快速的數值最佳化算法，在不明顯影響分類精度的前提下，降低算法的計算複雜度，提升系統的實用性。
結題摘要
項目針對無約束視頻圖像分類與分析的自適應判別特徵學習問題，基於度量學習方法和深度特徵學習框架做出算法分析與數值最佳化，取得了一些研究成果，提高了特徵的判別性、穩健性和自適應性。項目提出多核學習的判別分析方法，建立了圖嵌入與稀疏表示分類的融合方式。提出互信息正則化的深度聚類模型，為無監督場景下解析圖像風格/內容提供了新的途徑。項目基於條件矩匹配準則在隱變數空間增強核函式的判別能力，得到了判別的核密度估計方法，可用於改善監督和半監督學習場景下的分類性能。項目將最優實驗設計思想融入到遷移學習任務，通過最小化特徵變換運算元的協方差規模最佳化了分類結果的一致性。若干基準數據集上的實驗結果驗證了新算法的有效性。項目現已在國際權威期刊發表論文36篇和國際國內會議論文19篇，其中含IEEE Trans 18篇，CVPR/ICCV/AAAI/ECCV等國際會議論文11篇。培養博士、碩士研究生十餘名。
