项目名称: 基于超图谱分析的图像分类方法研究

项目编号: No.61272223

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 刘青山

作者单位: 南京信息工程大学

项目金额: 81万元

中文摘要: 图模型是图像分析中常用的分析工具之一,因为它可以直观的描述图像数据之间的关系。但是传统图结构通常是以两两数据间的相似度连接来构建图结构中的边,忽略了数据间的高阶信息,而这些高阶信息实际上对于图像分类来说是非常有用的。本项目拟研究基于超图谱分析的图像分类方法。不同于传统图结构,超图的超边是数据中具有某种相似属性的子集来描述,因此可以描述数据间的高阶信息。本项目的主要研究内容包括:如何更有效的描述图像的视觉信息、如何构建基于超图谱分析的图像分类框架、超图谱分析的优化求解、以及超图谱分析在图像序列分类中的扩展等,并基于研究成果搭建场景分类的原型系统。

中文关键词: 特征表示;稀疏低秩学习;超图学习;深度学习;稀疏优化

英文摘要: Graph Model is a popular tool for image analysis, because it can describe the relationship among the images intuitively. However, traditional graph stucture takes the pair-wise similarity between two images as the edge, so it ignores the high-order information among the images, which is actually very important to image classification. This project aims to study hypergraph based image classification. Different from traditional graph, hyperedge in hypergraph is composed of a subset of the data with same attribute, so hypergraph has a property of decribing high-order information. The main researh contents includs: how to extract efficient visual cues from image, how to build the hypergraph based image classification framework, the optimal solution of hypergraph spectral analysis, and how extend to image sequence classification, ect. We will also build a Demo system of scene classification based on the research results.

英文关键词: feature representation;sparse and low rank learning;hypergraph learning;deep learning;sparse optimization

成为VIP会员查看完整内容
1

相关内容

【TPAMI2022】双曲深度神经网络研究综述
专知会员服务
65+阅读 · 2021年12月29日
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
专知会员服务
42+阅读 · 2021年8月30日
专知会员服务
83+阅读 · 2021年8月25日
专知会员服务
39+阅读 · 2021年4月5日
[WWW2021]图结构估计神经网络
专知会员服务
42+阅读 · 2021年3月29日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
49+阅读 · 2020年8月27日
KDD2020 | 真实世界超图的结构模式和生成模型
专知会员服务
28+阅读 · 2020年8月18日
「基于GNN的图分类研究」最新2022综述
图与推荐
7+阅读 · 2022年2月14日
「图分类研究」最新2022综述
专知
5+阅读 · 2022年2月13日
杨宇鸿:腾讯多模态内容理解技术及应用
专知
3+阅读 · 2022年1月27日
2022最新图嵌入模型综述
机器学习与推荐算法
3+阅读 · 2022年1月18日
图嵌入模型综述
专知
3+阅读 · 2022年1月17日
【博士论文】开放环境下的度量学习研究
专知
7+阅读 · 2021年12月4日
图像分割的U-Net系列方法
极市平台
56+阅读 · 2019年10月21日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
38+阅读 · 2019年7月25日
基于TensorFlow和Keras的图像识别
Python程序员
16+阅读 · 2019年6月24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
0+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
1+阅读 · 2013年12月31日
国家自然科学基金
8+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
2+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 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月19日
Attentive Graph Neural Networks for Few-Shot Learning
Arxiv
40+阅读 · 2020年7月14日
Meta-Transfer Learning for Zero-Shot Super-Resolution
Arxiv
43+阅读 · 2020年2月27日
小贴士
相关VIP内容
【TPAMI2022】双曲深度神经网络研究综述
专知会员服务
65+阅读 · 2021年12月29日
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
专知会员服务
42+阅读 · 2021年8月30日
专知会员服务
83+阅读 · 2021年8月25日
专知会员服务
39+阅读 · 2021年4月5日
[WWW2021]图结构估计神经网络
专知会员服务
42+阅读 · 2021年3月29日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
49+阅读 · 2020年8月27日
KDD2020 | 真实世界超图的结构模式和生成模型
专知会员服务
28+阅读 · 2020年8月18日
相关资讯
「基于GNN的图分类研究」最新2022综述
图与推荐
7+阅读 · 2022年2月14日
「图分类研究」最新2022综述
专知
5+阅读 · 2022年2月13日
杨宇鸿:腾讯多模态内容理解技术及应用
专知
3+阅读 · 2022年1月27日
2022最新图嵌入模型综述
机器学习与推荐算法
3+阅读 · 2022年1月18日
图嵌入模型综述
专知
3+阅读 · 2022年1月17日
【博士论文】开放环境下的度量学习研究
专知
7+阅读 · 2021年12月4日
图像分割的U-Net系列方法
极市平台
56+阅读 · 2019年10月21日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
38+阅读 · 2019年7月25日
基于TensorFlow和Keras的图像识别
Python程序员
16+阅读 · 2019年6月24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
0+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
1+阅读 · 2013年12月31日
国家自然科学基金
8+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
2+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 · 2008年12月31日
微信扫码咨询专知VIP会员