项目名称: 基于稀疏非一致多核学习的低分辨率视频识别研究

项目编号: No.61203248

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 自动化学科

项目作者: 任传贤

作者单位: 中山大学

项目金额: 25万元

中文摘要: 以图像与视频为主要媒介的生物特征识别是模式识别与自动化应用领域的前沿研究方向,也是人类在基础理论与应用研究中面临的重要挑战之一。 本项目以稀疏表示与多核学习方法为数学工具,以真实远距离监控视频和多类别数据为主要实验对象,认真探讨低分辨率数据的视觉不变特征生成原理,致力于研究具有群组效应的稀疏正则化方法、非一致核函数的局部保持匹配性能和大规模快速优化算法,提出实际有用的参数选择方法,在非一致多核学习、目标求解和在线快速算法方面具有较大创新性。 项目详细讨论Lpq范数对噪音和例外点的鲁棒性、特征选择的稀疏性和目标函数的光滑性。重点解决惩罚项导致的目标函数优化问题、多模态数据的相似度量学习与特征融合问题和大规模数据面临的快速计算问题,提高系统的判别特征提取能力和泛化能力。 通过本项目的研究,进一步加强稀疏多核学习框架的理论深度和应用广度,促进新方法向工业化与市场化方向转化。

中文关键词: 多尺度分析;核方法;判别分析;稀疏正则化;人像识别

英文摘要: Biological feature recognition based on the image and video media is the forefront research direction in the pattern recognition and automation application communities, and it is one of the most important challenges for the basic theories and applications that human facing. The program will exploit sparse representation and multi-kernel learning methods as the mathematical tools, focus on the real far-distant surveillance camera video and the multi-subject data, probe deeply into the principles of vision-invariant feature generation, and study the sparsity regularization with group effective, locality preserving capabilities of inconsistent kernel functions and the fast computation algorithm with large scale. The program will propose efficient and effective approaches for parameters selection and model evaluation, and present some novelties in inconsistent multi-kernel learning, objective solution and online computation. The robustness for noise and outliers, sparsity for feature selection and the smoothness for objective function due to Lpq-norm will be analyzed, then the pivotal problems including the objective optimization, similarity metric learning and feature fusion of multi-modal data, and the fast computation in large scale would be highlighted for improving the capabilities of feature extraction and g

英文关键词: Multi-scale analysis;Kernel method;Discriminant analysis;Sparsity regularization;Face recognition

成为VIP会员查看完整内容
0

相关内容

【CVPR2022】高分辨率和多样化的视频-文本预训练模型
专知会员服务
9+阅读 · 2022年3月6日
专知会员服务
15+阅读 · 2021年10月4日
专知会员服务
7+阅读 · 2021年10月4日
专知会员服务
32+阅读 · 2021年7月1日
专知会员服务
14+阅读 · 2021年3月26日
专知会员服务
45+阅读 · 2020年11月13日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
一文归纳AI数据增强之法
极市平台
2+阅读 · 2022年1月11日
计算机视觉中的传统特征提取方法总结
极市平台
1+阅读 · 2021年12月9日
全链路联动: 面向最终目标的全链路一致性建模
机器学习与推荐算法
1+阅读 · 2021年9月27日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
基于二进制哈希编码快速学习的快速图像检索
极市平台
12+阅读 · 2018年5月17日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
深度图像先验:无需学习即可生成新图像
论智
45+阅读 · 2017年12月4日
干货 | 目标识别算法的进展
计算机视觉战队
17+阅读 · 2017年6月29日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Arxiv
0+阅读 · 2022年4月16日
Arxiv
10+阅读 · 2020年11月26日
Arxiv
13+阅读 · 2019年1月26日
小贴士
相关VIP内容
【CVPR2022】高分辨率和多样化的视频-文本预训练模型
专知会员服务
9+阅读 · 2022年3月6日
专知会员服务
15+阅读 · 2021年10月4日
专知会员服务
7+阅读 · 2021年10月4日
专知会员服务
32+阅读 · 2021年7月1日
专知会员服务
14+阅读 · 2021年3月26日
专知会员服务
45+阅读 · 2020年11月13日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
相关资讯
一文归纳AI数据增强之法
极市平台
2+阅读 · 2022年1月11日
计算机视觉中的传统特征提取方法总结
极市平台
1+阅读 · 2021年12月9日
全链路联动: 面向最终目标的全链路一致性建模
机器学习与推荐算法
1+阅读 · 2021年9月27日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
基于二进制哈希编码快速学习的快速图像检索
极市平台
12+阅读 · 2018年5月17日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
深度图像先验:无需学习即可生成新图像
论智
45+阅读 · 2017年12月4日
干货 | 目标识别算法的进展
计算机视觉战队
17+阅读 · 2017年6月29日
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员