《魯棒幾何結構描述及圖像識別》是依託西安電子科技大學，由高全學擔任項目負責人的面上項目。
基本介紹
- 中文名：魯棒幾何結構描述及圖像識別
- 項目類別：面上項目
- 項目負責人：高全學
- 依託單位：西安電子科技大學
中文摘要,結題摘要,
流形學習技術可以較好地描述數據的內在幾何結構，已成為機器學習和模式識別領域的研究熱點。然而，它所描述的幾何結構主要刻畫了數據的相似性，忽略了模式的多樣性，導致內在幾何結構描述不夠穩定以及算法魯棒性比較差；此外，流形學習技術不能夠較好地保持數據的局部拓撲結構，導致幾何結構描述不準確；最後，幾何結構描述過於依賴鄰接圖的定義，導致算法自適應性不好。因此，如何自適應地且魯棒地描述數據的內在幾何結構已成為急需要解決的問題之一。基於此，本項目主要研究自適應的魯棒性幾何結構描述（包括多樣性幾何結構描述和相似性幾何結構描述）；融合相似性、多樣性和像素空間信息的流形學習技術；基於該技術的半監督學習和非負矩陣分解。項目研究內容是模式識別、機器學習等領域非常活躍的研究方向之一，具有非常重要的理論價值和套用價值.
流形學習的核心是尋找一個子空間，使得低維子空間能較好地刻畫利用鄰接圖在高維刻畫的數據內在幾何結構。流形學習技術已成為數據聚類，圖像識別，特徵提取，可視化分析等領域的研究熱點之一。本項目針對流形學習技術不能較好地刻畫數據的多樣性幾何結構，且依賴人工選擇參數，導致流形學習技術在實際套用中的性能穩定性不好等問題，主要研究了幾何結構的穩定性描述（自適應局部相似性和多樣性幾何描述）。在此基礎上，實現了基於該幾何結構描述的流形學習技術，包括無監督、監督以及基於矩陣的流形學習相關算法；實現了自適應稀疏幾何結構描述的流形學習特徵提取算法；將上述研究內容推廣，研究了半監督流形學習技術；為了進一步提高流形學習算法的魯棒實現了，研究了魯棒度量學習的線性判別分析和主成分分析。並將上述算法研究套用於圖像識別。相關研究成果主要發表在國際國核心心期刊如IEEE Trans. Neural Networks and Learning Systems; IEEE Trans. Image Processing；IEEE Transactions on Information Forensics & Security；Pattern Recognition，Neural Networks， 自動化學報以及國際頂級會議CVPR, AAAI等處共篇25，申請專利3篇（評審中）。該項目較好地實現了基於圖的相似性、多樣性以及像素空間的幾何結構描述，有力提高了流形學習技術的魯棒性，可以進一步提高流形學習技術在實際套用如聚類，可視化分析，分類，圖像分析的魯棒性，具有重要的理論意義和實際價值.
