《非線性聚類新方法及其在圖像分析上的套用》是依託中山大學，由賴劍煌擔任項目負責人的面上項目。
基本介紹
- 中文名：非線性聚類新方法及其在圖像分析上的套用
- 項目類別：面上項目
- 項目負責人：賴劍煌
- 依託單位：中山大學
中文摘要,結題摘要,
中文摘要
聚類是人類社會處理數據最基本的的手段, 但是由於客觀世界的豐富多彩，使得所要的數據集常常處於異常複雜的流形分布狀況，而現有的多數聚類方法或者不能精確地分類這些多樣性的數據，或者不能自動確定聚類的個數。本項目擬研究建立包括基於多中心點表達的AP、基於圖理論的非線性AP、基於核方法的競爭學習聚類、基於K近鄰圖理論的競爭學習聚類、研究基於支持向量的增量聚類等若干可以自動確定聚類個數的非線性聚類的新方法，同時，研究基於這些新算法的擴展方法，包括但不限於流數據聚類方法、半監督方法和高維數據的快速聚類算法等，並研究利用獲得的新結果解決場景圖片的分類、人臉圖像的分類、視頻數據挖掘、圖像分割等圖像分析中若干關鍵的科學問題。力爭在相關理論方法、核心技術等方面有所突破，總體上達到國際先進水平。該項目的研究成果將大大豐富模式識別、機器學習和數字圖像處理的理論成果。
結題摘要
本項目面向複雜數據集的數據聚類處理的套用需求，針對非線性聚類方法，研究可以自動確定聚類個數的非線性聚類的新方法，同時，研究基於這些新算法的擴展方法，包括但不限於流數據聚類方法、半監督方法和高維數據的快速聚類算法等，並研究利用獲得的新結果解決場景圖片的分類、人臉圖像的分類、視頻數據挖掘、圖像分割等圖像分析中若干關鍵的科學問題。通過本項目的研究，取得了一批有意義的研究成果。特別是在以下幾個方面取得了具有較大創新性的成果。1．非線性近鄰傳播聚類方面，提出了新的基於多中心點的算法，能夠對複雜的具有多子類結構的數據進行建模。2．在基於核方法的競爭學習聚類、基於圖模型的聚類方面，提出了多粒度組合聚類方法，加權圖流中檢測動態社區的算法，基於因子圖的自動集成聚類方法等方法並套用於圖像處理和數據挖掘等領域。3．在基於支持向量的增量聚類方面，提出了一種位置正則化的支持向量域描述算法，基於支持向量域描述及支持向量聚類的SVStream流數據聚類方法，提出了一種基於多局部模型的多數據域描述的圖像集合匹配方法等。4. 在大規模非線性聚類方面，主要研究了非線性聚類的方法，克服了普通核聚類算法的計算量大的缺點，將線性不可分的數據能更好地投影到高維空間中進行線性劃分，主要套用於圖像分類中。 該項目共發表學術論文53篇，其中IEEE Trans.刊物的論文7篇，Pattern Recognition 5篇，被SCI 檢索論文33篇，被EI 檢索論文49篇。申請國家發明專利9件，共申請計算機軟體著作權4項。本項目資助的博士和碩士研究生獲得2014、2015全國研究生智慧城市大賽一等獎各一次，獲得2014第十七屆全國圖像圖形學術會議優秀論文獎。本項目已經培養青年學術帶頭人 1人、博士20 名、碩士研究生40名。項目組主辦或參與承辦了多項國內外同行學術大會，促進了國內外同行間的交流與合作。
