《統計稀疏學習方法及其在視覺處理中的套用》是依託浙江大學，由王東輝擔任項目負責人的面上項目。
基本介紹
- 中文名：統計稀疏學習方法及其在視覺處理中的套用
- 依託單位：浙江大學
- 項目負責人：王東輝
- 項目類別：面上項目
項目摘要,結題摘要,
項目摘要
統計學習作為統計學與人工智慧的交叉學科，近年來發展迅速，正逐步形成有特色的統計稀疏學習學科，並成為統計學習與信息處理的重要研究方向。本項目對目前統計稀疏學習方法中的幾個代表性問題及其在視覺任務中的套用進行研究，包括：稀疏無監督降維、稀疏高斯圖模型以及基於新范型的稀疏矩陣補充等，並提出相應的學習方法、計算模型及求解策略。其中稀疏無監督降維方法的研究能為高維數據的特徵提取和字典學習提供重要方法；稀疏高斯圖模型不僅能夠為數據稀疏建模提供新方法，而且還能夠有效揭示數據樣本之間隱含的結構性關聯信息，從而為結構性稀疏方法提供新思路；基於新范型的稀疏矩陣補充則在圖像恢復、視頻處理等任務中具有重要的套用價值。這些代表性問題的深入研究，不僅對統計稀疏學習方法的研究本身具有重要價值，而且對於機器學習、模式識別、計算機視覺等相關領域的研究也具有重要意義。
結題摘要
統計稀疏學習方法是人工智慧、套用統計學以及視覺認知等學科交叉的研究方向，不僅具有機器學習、信號處理、壓縮感測等領域的理論支撐，而且符合人類認知過程的計算模型，是近年來發展迅速的一個新方向，對當前機器學習的研究產生了重要影響。在本課題執行期間，統計稀疏學習方法持續得到機器學習、人工智慧、計算機視覺等國際著名會議、期刊以及國內外學者的廣泛關注，其研究成果不僅促進了機器學習領域的相關理論研究，而且在無監督特徵學習、大規模數據挖掘、跨模態語義分析等諸多領域取得了成功套用。 本項目的研究內容主要包括統計稀疏學習模型的構建、統計稀疏學習算法求解以及統計稀疏學習方法的套用等幾個方面的研究。具體研究內容包括稀疏高斯圖模型、非參數稀疏模型、高階張量稀疏模型等稀疏建模研究；稀疏降維、稀疏特徵學習、稀疏多特徵融合、字典學習等學習方法及其求解策略；統計稀疏學習在人臉識別、動作識別、三維對象識別、高維信號分解、圖像恢復等視覺任務中的套用。 本項目不僅在統計稀疏學習方法的理論研究方面取得了重要進展，而且在具體視覺任務中得到了成功套用。其中有特色的研究進展包括：1、提出了一種能夠有效建模多維數據內在關聯的統計稀疏圖模型及其求解算法，並在國際上首次成功套用於圖像恢復任務，該項成果發表的論文獲得了2011年ICIP國際會議最佳論文獎。2、提出了一種基於字典的稀疏特徵學習模型，該模型能夠自動學習出樣本數據的共性特徵和個性特徵，為識別、分類等視覺任務提供了更高效的稀疏特徵表達。3、提出了一種創新的基於示例的稀疏降維模型，能夠在自動學習出樣本數據中隱含的低維流形結構的同時，增加稀疏字典表達的判決能力，有效提高了複雜數據流形情況下的分類精度。4、提出了一種專門針對高維張量數據的稀疏降維模型，在保持高維數據內在結構的同時，極大壓縮了數據維度，形成了更稀疏的特徵表達。該模型及其求解方法還被成功套用於動作識別與分類任務中，取得了很好的套用效果。5、提出了一種基於字典學習的稀疏多特徵融合模型，能夠高效融合多種視覺特徵，形成更加緊湊、更具判決性的稀疏表達特徵。6、提出了一種稀疏無監督遷移學習模型並套用於數據聚類問題。該模型通過最佳化選取無標籤源域數據，並遷移到目標域來豐富數據流形，從而達到更好的聚類性能。 本項目的研究成果與套用示例充分說明了統計稀疏學習方法不僅具有重要的理論價值，更具有潛在的套用前景。
