项目名称: 大规模多视角高维图像特征提取

项目编号: No.61773328

项目类型: 面上项目

立项/批准年度: 2018

项目学科: 自动化技术、计算机技术

项目作者: 黄伟强

作者单位: 香港理工大学深圳研究院

项目金额: 16万元

中文摘要: 大规模多视角高维图像已经成为大数据的重要组成部分。现有的多视角学习方法仅能用于小型数据集而不适用于大规模多视角高维图像,故如何高效地提取大规模多视角图像特征用于识别与检索是当前亟待解决的问题。为获得有效的特征并适应大数据的存储与快速搜索需求,我们提出双线性投影哈希的思想来发展多视角离散哈希特征提取理论与算法框架。本项目的研究将进一步丰富大规模多视角图像特征提取理论,提高特征提取的有效性并节省计算量与存储空间以适应大规模图像数据处理需求。本项目的研究成果不仅可用于大规模多视角高维图像分析领域,也可拓展到大规模多模态数据、大数据图像特征提取与搜索等领域,具有重要的理论意义和广泛的应用前景。

中文关键词: 线性判别分析;子空间学习;特征提取;大规模;多视角图像

英文摘要: Large scale multi-view high dimensional images have become an important part of big data. As many existing multi-view learning methods can only be used for small data sets and thus not suitable for large-scale multi-view high dimensional image, how to efficiently extract the large-scale multi view image features for recognition and retrieval is the current problems to be solved. In order to obtain the effective features and meet the needs of large data storage and fast search, we propose the idea of bilinear projection hash to develop multi-view discrete hash feature extraction theory and algorithm framework. The research of this project will further enrich the theory of large-scale multi view image feature extraction, and improve the effectiveness of feature extraction, and save the computation and storage space to meet the needs of large-scale image data processing. The research results of this project not only can be used for large-scale multi-view high dimensional image analysis, but also extended to the field of large-scale multi modal data, image feature extraction and data search, and thus generate great theoretical significance and wide application prospect.

英文关键词: linear discriminant analysis;subspace learning;feature extraction;large scale;multi-view image

成为VIP会员查看完整内容
3

相关内容

线性判别式分析(Linear Discriminant Analysis),简称为LDA。也称为Fisher线性判别(Fisher Linear Discriminant,FLD),是模式识别的经典算法,在1996年由Belhumeur引入模式识别和人工智能领域。
基本思想是将高维的模式样本投影到最佳鉴别矢量空间,以达到抽取分类信息和压缩特征空间维数的效果,投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离,即模式在该空间中有最佳的可分离性。
空间数据智能:概念、技术与挑战
专知会员服务
85+阅读 · 2022年2月3日
面向行人重识别的局部特征研究进展、挑战与展望
专知会员服务
26+阅读 · 2021年10月13日
专知会员服务
22+阅读 · 2021年9月23日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
69+阅读 · 2021年3月29日
深度学习目标检测方法综述
专知会员服务
274+阅读 · 2020年8月1日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
主成分分析用于可视化(附链接)
大数据文摘
1+阅读 · 2022年3月14日
图像描述生成研究进展
专知
1+阅读 · 2021年3月29日
一种关键字提取新方法
1号机器人网
21+阅读 · 2018年11月15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
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
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014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 · 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
0+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
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Simple and Effective Unsupervised Speech Synthesis
Arxiv
2+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月17日
Arxiv
0+阅读 · 2022年4月14日
Arxiv
14+阅读 · 2021年3月10日
Arxiv
23+阅读 · 2021年3月4日
Arxiv
27+阅读 · 2020年12月24日
小贴士
相关VIP内容
空间数据智能:概念、技术与挑战
专知会员服务
85+阅读 · 2022年2月3日
面向行人重识别的局部特征研究进展、挑战与展望
专知会员服务
26+阅读 · 2021年10月13日
专知会员服务
22+阅读 · 2021年9月23日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
69+阅读 · 2021年3月29日
深度学习目标检测方法综述
专知会员服务
274+阅读 · 2020年8月1日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
相关资讯
主成分分析用于可视化(附链接)
大数据文摘
1+阅读 · 2022年3月14日
图像描述生成研究进展
专知
1+阅读 · 2021年3月29日
一种关键字提取新方法
1号机器人网
21+阅读 · 2018年11月15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
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
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014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 · 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
0+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
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员