《高維視覺信息的低維表示、度量與識別的理論和方法》是依託南京理工大學，由楊靜宇擔任項目負責人的重點項目。
基本介紹
- 中文名：高維視覺信息的低維表示、度量與識別的理論和方法
- 項目類別：重點項目
- 項目負責人：楊靜宇
- 依託單位：南京理工大學
項目摘要,結題摘要,
項目摘要
人類獲取的80%信息來自視覺，視覺信息是人類感知的主要對象。當前，圖像、視頻等視覺信息呈現指數級增長，如何高效地處理海量的視覺信息是亟待解決的問題。本項目針對視覺信息內在的高維性和結構特點以及實時處理的要求，從流形學習、稀疏表示、低秩分解和數據散列四個相互關聯的方面開展低維表示的理論與算法研究，主要內容包括：（1）具有鑑別性的稀疏投影理論與方法；（2）基於向量場的流形學習理論與方法；（3）低秩分解與表示的模型與算法，（4）基於稀疏編碼的數據散列理論與方法。任何維數約簡模型的構建和分類器的設計都離不開度量函式的刻畫。因此，本項目將研究相似性度量的設計與學習問題。作為特徵抽取與模式分類的一體化框架，本項目將研究深層神經網路的初始化、正則化與學習框架問題。最後，基於以上理論與方法成果，構建視覺監控系統的驗證平台，為社會公共安全感測網路、智慧城市的建構提供關鍵技術支撐。
結題摘要
計算機視覺和模式識別作為人工智慧的重要研究方向, 目前已經成為學術界和社會各界普遍關注的問題. 圖像和視頻作為信息的高維表示工具, 對這類信息的低維表示、度量和識別具有重要的學術意義和廣闊的套用價值。本項目圍繞上述問題開展了深入的探索和研究， 在如下幾方面取得了新的研究成果：(1) 基於核範數的矩陣回歸方法. 在這種方法中,我們使用誤差圖像的核範數作為一種相似性度量來設計基於矩陣回歸的圖像分類方法, 在圖像復原及存在噪聲的圖像識別問題中具有一定的優勢; (2) 平行向量場學習理論. 題組在已有的流形學習理論的基礎上，為了更為精確地刻畫高維數據的幾何結構，創造性地引入流形上的向量場工具，並在此基礎上發展出完整的平行向量場流形學習理論框架; (3) 基於雙低秩矩陣恢復的顯著性融合. 為了獲得一個統一的能夠描述顯著性目標的低秩矩陣，我們提出了一種雙低秩矩陣修復模型來進行顯著性融合. (4) 低秩分解和表示的模型與算法. 課題組提出了基於截斷核範數的低秩矩陣補全算法和一種基於加權殘差的截斷核範數正則化矩陣補全方法. 同時給出了自適應基選擇方法以及矩陣分解方法; (6) 在生物信息學領域的研究成果. 提出了基於稀疏表示的蛋白質進化信息特徵抽取模型. 本項研究共發表學術論文129篇, 全部做了基金編號的標註. 其中期刊論文109篇, 全部被SCI收錄. 這些論文的Web of Science引用為1071次. 根據中國科學院關於期刊分區的最新規定,16篇論文進入一區, 67篇進入二區.
