基于表示学习的图像复原和识别方法研究

Due to the importance of image and video in big data, image and video understanding and recognition plan a critical role in our society, economy, and national security areas. Low-quality and contaminated images pose a challenging problem in video supervisory control and face recognition system. This project will be focused on the image recovery and recognition, the two closely related problems. We will do researches on low-rank decomposition, sparse representation, and manifold learning, aiming to build a unified framework for image recovery and recognition. The points of our research include: (1) nuclear norm based image reconstruction; (2) representation learning based image recovery; (3) representation learning based feature generation; (4) unified methods for image recovery and recognition. Finally, we will build a robust visual system to evaluate our theories and methods.

大数据中图像（视频）占据着举足轻重的地位，图像（视频）的理解和识别在社会、经济和国家安全等领域中扮演着越来越重要的角色。低质量和污染图像的识别已成为当前视觉监控和人脸识别领域的瓶颈问题。本项目将面向图像复原和识别两个紧密相关的问题，从低秩分解、稀疏表示和流形学习三方面开展表示学习理论与算法研究，旨在建立图像复原和分类识别一体化框架。主要内容包括：（1）基于核范数度量的最优重构方法研究；（2）基于表示学习的图像复原方法研究；（3）基于表示学习的特征生成方法研究；（4）图像复原和分类识别一体化方法研究。最后，基于以上理论与方法成果，构建图像复原和识别的稳健视觉系统验证平台。

低质量和污染图像的识别已成为当前视觉监控和人脸识别领域的瓶颈问题。为解决此类问题，本课题重点研究了基于表示学习的图像复原与识别方法。针对图像的最优重构问题，提出了一种双低秩矩阵恢复模型来完成多种显著性方法的融合；该方法重在研究如何用两个低秩矩阵来分别刻画显著性目标和背景。针对图像复原问题，提出了一种基于非参数贝叶斯组回归表示的图像复原与识别方法。该方法融合了实际噪声的长尾属性以及结构信息。因此，所估计的表示系数可以更有效地刻画数据之间的关系且更准确地恢复我们想要的图像。针对低秩表示理论，提出了基于核范数的矩阵回归方法并给出了快速的ADMM算法求解该模型，该方法旨在解决图像识别中存在的复杂结构噪声问题。借助核范数的刻画矩阵空间结构的优势，提出了一种结构化的基于核范数的二维主分量分析图像特征抽取方法。针对神经网络模型，提出了一种存储和计算高效的递归神经网络方法，该方法相比于以前的模型参数量减少了上百倍，同时得到了更好的精度。基于人的记忆是具有持续性的特点，提出一种非常深的基于残差学习的持续记忆网络，来完成图像复原任务。除此之外，面向图像复原和识别问题我们也提出了一系列表示学习方法。