面向多媒體排序學習的維數約簡

《面向多媒體排序學習的維數約簡》是依託天津大學，由冀中擔任項目負責人的面上項目。

基本介紹

• 中文名：面向多媒體排序學習的維數約簡
• 項目類別：面上項目
• 項目負責人：冀中
• 依託單位：天津大學

項目摘要

由於多媒體數據特徵維數很高，使得排序學習與其他學習算法一樣受維數災難等問題的影響，致使算法的泛化能力和效率嚴重受限。為了有效克服排序學習中的這些問題，現有方法通常直接使用常規的維數約簡策略。但其輸入僅是高維數據及類別標籤，不能充分利用訓練數據的等級、順序等重要的排序信息作為算法的輸入，因而不能達到最優的維數約簡效果。為了解決這一嚴重問題，本項目提出了將排序信息作為輸入並充分利用排序學習機制的新型維數約簡技術（簡稱排序維數約簡）。首先重點研究有效利用排序信息替代類別標籤進行維數約簡的方法；接著進一步結合排序學習的獨特學習機制研究相應維數約簡方法；然後作為拓展研究，探索與半監督學習、遷移學習等方法相結合的途徑與方法；最後結合多媒體檢索、個性化推薦等實際套用驗證算法的先進性和實用性。本項目的實施將豐富和完善排序學習和維數約簡的基礎理論研究，推動多媒體搜尋、移動網際網路等相關產業的發展。

結題摘要

排序是多媒體信息檢索和分析中的一個重要環節，其中一個重要挑戰是如何有效地對對高維的視覺特徵進行分析和利用。維數約簡是解決上述問題的重要途徑，然而現有方法主要是利用類別信息進行降維，並不能夠對排序問題達到最優效果。本項目旨在研究將排序信息作為算法的輸入並充分利用排序學習獨特學習機制的排序維數約簡技術，目的是準確地提取高維多媒體數據的內蘊信息，提升數據處理速度和排序學習的泛化能力。項目著重研究了排序信息的有效利用機制，提出了相關約束和不相關約束的概念，並基於此提出了一種通過在不同排序等級內部及之間構建圖嵌入的全局關係和局部聯繫的方法，成功地將圖嵌入維數約簡模型轉換成排序維數約簡模型，並在圖像搜尋重排序套用中取得了很好的效果。該研究成果發表在IEEE-TNNLS上，為2016年ESI高引論文。還提出了一種基於相關圖和不相關圖的Fisher判別方法，該方法創新性地將數據對之間相關性和不相關性引入到相關圖和不相關圖中，並利用Fisher判別為目標函式，從而不僅保持了數據結構信息還保持了數據間成對的關聯關係。從流形學習近鄰圖構造角度，提出了一種有效的基於相關局部信息和流形學習的判別分析算法，該算法分析了類內和類間成對限制關係，將排序相關等級信息和流形信息引入其中，在維數約間的過程中實現了流形信息和排序信息的保持。項目還研究了排序學習機制的利用途徑，提出了一種基於超球的相關保持投影方法。該方法依據數據基於超球分布的假設，利用邊界最大化思想，在保持數據的流形分布和相關關係的前提下，將原始數據映射到超球空間，從而實現了數據的特徵變換。並進一步依據距離超球球心的距離，提出了一種新的排序方法。項目還探索了有效利用無標籤數據的方法，提出了一種有效的半監督排序維數約簡方法，該方法創新性地將排序信息引入到局部保持投影方法中，從而將無監督的局部保持投影方法提升為半監督的排序維數約簡方法。還通過引入皮爾遜相關係數在流形圖構建過程中進一步考慮了樣本之間的相關性關係。還提出了一種有效利用排序集合內部數據對之間的排序關係以及集合間數據對之間的排序關係的半監督排序維數約簡方法。所提方法在圖像重排序套用中取得了較好的性能。此外還探索了遷移學習思想的利用、視覺特徵的有效表示和圖像分類等相關問題。共發表論文成果共15篇，其中9篇SCI檢索論文（1篇1區，6篇2區，2篇3區）；授權發明專利6項，受理髮明專利8項。