项目名称: 半监督鉴别特征抽取及人脸识别应用研究

项目编号: No.60875004

项目类型: 面上项目

立项/批准年度: 2009

项目学科: 轻工业、手工业

项目作者: 陈才扣

作者单位: 扬州大学

项目金额: 28万元

中文摘要: 当面对高维小样本情况,现有的基于少量已知类别数据样本的监督特征抽取方法和基于未知类别数据的非监督特征抽取方法会导致过拟合问题。近年来,半监督学习受到人们的普遍关注,成为机器学习和模式识别等领域的研究热点。尽管相当数量的研究报道表明,该方法优于传统的监督和非监督学习方法。但有关将半监督学习思想应用于鉴别特征抽取的研究报道较少。因此,如何将半监督学习应用于现有的监督和非监督特征抽取算法、揭示三者之间的内在联系、发掘半监督特征抽取方法的潜力,提高它在人脸识别应用中的鉴别能力,是一个有待深入研究的问题。该研究对于促进半监督学习方法本身的发展,及其在人脸识别方面的更为成功的应用,都具有重要的理论和实际意义。该项目研究的内容包括:研究建立半监督学习在特征抽取中的理论框架;理清监督、非监督和半监督特征抽取三者之间的联系;提出一系列有效的和快捷的面向分类的半监督特征抽取算法。

中文关键词: 特征抽取;半监督学习;人脸识别;模式分类

英文摘要: For high-dimensional and small size sample problems, the existing supervised feature extraction methods with a small amount of labelled data samples and unsupervised feature extraction methods with unlabelled data samples can often lead to an over-fitting problem. Semi-supervised learning has attracted a significant amount of attention in recent years and has become a hot topic in the fields of machine learning and pattern recognition. Although a great number of research reports show that the semi-supervised learning is superior to the traditional supervised and unsupervised learning methods, there are very few researchs focusing on the application of the semi-supervised learning tothe discriminant feature extraction. Therefore, it is a problem worth being explored and in-depth studied in future that how to apply semi-supervised learning to the current supervised and unsupervised feature extraction algorithms, reveal the inherent relation among them, tap the potential of the semi-supervised feature extraction methods and improve the semi-supervised discriminative ability in the application of face recognition. This research has an important theory and realistic meanings in the promotion of the development of the semi-supervised learning method and the more successful application of face recognition. The contents of this research project include (1) construction of the thoery framework of the application of the semi-supervised learning to feature extraction, (2) revealing the inherent relation between supervised, semi-supervised and unsupervised feature extraction methods, (3) developing a series of effective and efficient and classification-oriented semi-supervised feature extraction methods.

英文关键词: supervised feature extraction; unsupervised feature extraction; semi-supervised learning; face recognition

成为VIP会员查看完整内容
0

相关内容

半监督学习(Semi-Supervised Learning,SSL)是模式识别和机器学习领域研究的重点问题,是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。当使用半监督学习时,将会要求尽量少的人员来从事工作,同时,又能够带来比较高的准确性,因此,半监督学习目前正越来越受到人们的重视。
「小样本深度学习图像识别」最新2022综述
专知会员服务
101+阅读 · 2022年1月15日
《人脸识别数据安全标准化研究报告(2021版)》发布
专知会员服务
32+阅读 · 2022年1月2日
【NeurIPS2021】基于关联与识别的少样本目标检测
专知会员服务
20+阅读 · 2021年11月29日
专知会员服务
26+阅读 · 2021年8月24日
专知会员服务
200+阅读 · 2020年12月5日
最新《深度学习人脸识别》综述论文,
专知会员服务
67+阅读 · 2020年8月10日
鲁棒模式识别研究进展
专知会员服务
40+阅读 · 2020年8月9日
专知会员服务
219+阅读 · 2020年8月1日
零样本图像分类综述 : 十年进展
专知会员服务
126+阅读 · 2019年11月16日
对比学习在NLP和多模态领域的应用
专知
6+阅读 · 2022年2月25日
「小样本深度学习图像识别」最新2022综述
自监督视觉特征学习
专知
0+阅读 · 2021年11月1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
人脸识别技术全面总结:从传统方法到深度学习
算法与数学之美
12+阅读 · 2019年2月27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
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+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
3+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 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Arxiv
23+阅读 · 2017年3月9日
小贴士
相关VIP内容
「小样本深度学习图像识别」最新2022综述
专知会员服务
101+阅读 · 2022年1月15日
《人脸识别数据安全标准化研究报告(2021版)》发布
专知会员服务
32+阅读 · 2022年1月2日
【NeurIPS2021】基于关联与识别的少样本目标检测
专知会员服务
20+阅读 · 2021年11月29日
专知会员服务
26+阅读 · 2021年8月24日
专知会员服务
200+阅读 · 2020年12月5日
最新《深度学习人脸识别》综述论文,
专知会员服务
67+阅读 · 2020年8月10日
鲁棒模式识别研究进展
专知会员服务
40+阅读 · 2020年8月9日
专知会员服务
219+阅读 · 2020年8月1日
零样本图像分类综述 : 十年进展
专知会员服务
126+阅读 · 2019年11月16日
相关资讯
对比学习在NLP和多模态领域的应用
专知
6+阅读 · 2022年2月25日
「小样本深度学习图像识别」最新2022综述
自监督视觉特征学习
专知
0+阅读 · 2021年11月1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
人脸识别技术全面总结:从传统方法到深度学习
算法与数学之美
12+阅读 · 2019年2月27日
相关基金
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
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+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
3+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 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010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