项目名称: 基于统计学习理论的快速算法及其应用研究

项目编号: No.10801004

项目类型: 青年科学基金项目

立项/批准年度: 2009

项目学科: 金属学与金属工艺

项目作者: 韩敏

作者单位: 北京工业大学

项目金额: 17万元

中文摘要: 本项目研究了基于统计学习理论的支持向量机、Neyman-Pearson 学习等的快速收敛算法及其推广,并将其应用于模式识别、计算机视觉等领域中。在一定的条件下使构造的算法具有指数型衰减的逼近误差和取样误差,分析算法的相容性条件,以及收敛速度、计算复杂度等问题。构造了基于Rademacher 复杂度的Neyman-Pearson 经验风险算法,研究其快速收敛性。并且构造了半监督的基于Neyman-Pearson学习支持向量机算法,该算法具有快速收敛、损失敏感的特点。基于统计学习理论的快速算法在两类模式识别问题中已经应用比较广泛,在复杂的计算机视觉、人脸识别等领域中的应用正在引起人们的关注,本项目还研究了统计学习理论的快速算法在计算机视觉领域中的应用,并将前面最新的研究成果编程,通过真实数据加以例证。

中文关键词: 统计学习理论;快速算法;支持向量机;Neyman-Pearson 学习;计算机视觉

英文摘要: This project investigates some fast learning algorithms based on statistical learning theory such as support vector machine,Neyman-Pearson learning algorithms. The approximations for Bayes function and applications to pattern recognition, computer vision of all this algorithms are also discussed. Under certain conditions our algorithms convergence exponentially both in the approximation error and sampling error. We analysis the conditions for fast algorithms. We construct empirical risk minimization algorithms based on Rademacher complexity Neyman-Pearson learning. The fast convergence boundary is rereceived. We construct a semi-supervised sopport vector machine algorithm based on Neyman-Pearson learning. The algorithm has fast converge rate and be loss-sensitive. Statistical learning theory algorithms has been used widely in the two-class pattern recognition problems, but the applications in computer vision, face recognition and other areas are in progress.The applications of fast learning algorithms based on statistical learning theory to the field of computer vision are just the study of this project.We program our research results and experiment on real data.

英文关键词: statistical learning theory;fast algorithms;support vector machine;Neyman-Pearson learing;computer vision

成为VIP会员查看完整内容
0

相关内容

基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
深度学习模型鲁棒性研究综述
专知会员服务
91+阅读 · 2022年1月23日
细粒度图像分类的深度学习方法
专知会员服务
41+阅读 · 2021年10月18日
专知会员服务
45+阅读 · 2021年10月1日
专知会员服务
18+阅读 · 2021年5月16日
【经典书】统计强化学习:现代机器学习方法,206页pdf
专知会员服务
77+阅读 · 2021年2月24日
专知会员服务
94+阅读 · 2021年2月6日
专知会员服务
114+阅读 · 2021年1月11日
专知会员服务
32+阅读 · 2020年12月25日
专知会员服务
95+阅读 · 2020年12月8日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
最全综述 | 图像分割算法
计算机视觉life
14+阅读 · 2019年6月20日
Meta-Learning 元学习:学会快速学习
专知
24+阅读 · 2018年12月8日
深度学习应用于网络空间安全所面临的十大问题与机遇
计算机研究与发展
21+阅读 · 2018年6月7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
贝叶斯机器学习前沿进展
机器学习研究会
21+阅读 · 2018年1月21日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014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 · 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
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月18日
ResT V2: Simpler, Faster and Stronger
Arxiv
0+阅读 · 2022年4月15日
Arxiv
17+阅读 · 2022年1月11日
Arxiv
14+阅读 · 2021年3月10日
Arxiv
15+阅读 · 2021年2月19日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
深度学习模型鲁棒性研究综述
专知会员服务
91+阅读 · 2022年1月23日
细粒度图像分类的深度学习方法
专知会员服务
41+阅读 · 2021年10月18日
专知会员服务
45+阅读 · 2021年10月1日
专知会员服务
18+阅读 · 2021年5月16日
【经典书】统计强化学习:现代机器学习方法,206页pdf
专知会员服务
77+阅读 · 2021年2月24日
专知会员服务
94+阅读 · 2021年2月6日
专知会员服务
114+阅读 · 2021年1月11日
专知会员服务
32+阅读 · 2020年12月25日
专知会员服务
95+阅读 · 2020年12月8日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
最全综述 | 图像分割算法
计算机视觉life
14+阅读 · 2019年6月20日
Meta-Learning 元学习:学会快速学习
专知
24+阅读 · 2018年12月8日
深度学习应用于网络空间安全所面临的十大问题与机遇
计算机研究与发展
21+阅读 · 2018年6月7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
贝叶斯机器学习前沿进展
机器学习研究会
21+阅读 · 2018年1月21日
相关基金
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014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 · 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
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员