跨领域整体模式分类理论研究及应用

The objective of this project is to develop cross-domain and collective pattern classification theory and its applications for heterogeneous non i.i.d data. The proposed methodology is a new research theme, and attemps to take advantages of the complementary and relevant information between different domains. Moreover, breaking the i.i.d. assumption in traditional pattern recognition methods, our project does not classify each data sample separately and isolatedly. In contrast, this research attempts to classify a group of within-domain data samples (sharing the same charasteristics) simultaneously in a collective way. The cross-domain and collective pattern classification method is capable of better utilizing both the between-domain and within-domain information from data, and hence can provide potentials in improving the learning accuracy substantially. Our proposed research is of great significance in theory and will make big impact in pattern recognition and machine learning. It is also of great value in practice and is expected to be applied extensively in many real systems so as to better serve the economy and national defense of our country.

本项目针对多个异构领域的非独立同分布数据，开展跨领域整体模式分类理论方法与应用研究。跨领域整体模式识别方法是相对较新的课题，旨在充分利用领域间异构数据的互补性和相关性，并打破领域内数据独立同分布的假设，不独立地对每一样本进行分类，而是将多领域协同学习，并对一组具有相同特性的领域内数据进行整体处理和同时分类，从而有效利用领域与领域之间、数据与数据之间的联系，提高识别性能。跨领域整体模式分类具有很强的理论意义和学术影响，有助于推动模式识别和机器学习领域的发展；同时又具有重要的应用价值，可被广泛应用于各种实际系统之中，为国家经济建设和国防安全等服务。

本项目针对多个异构领域的非独立同分布数据，开展跨领域整体模式分类理论方法与应用研究。跨领域整体模式识别方法旨在充分利用领域间异构数据的互补性和相关性，并打破领域内数据独立同分布的假设，不独立地对每一样本进行分类，而是将多领域协同学习，并对一组具有相同特性的领域内数据进行整体处理和同时分类，从而有效利用领域与领域之间、数据与数据之间的联系，提高识别性能。本项目很好的完成了研究目标。具体而言，1）我们研究出了一系列具有较好创新性和理论价值并具备实用性的整体模式识别和机器学习算法。我们针对生成式模型、鉴别式模型、和神经网络分别进行了整体模式识别算法的扩展和研发。 2) 我们发表了2本英文学术编著和一系列高水平论文-在机器学习和模式识别的主流国际刊物发表论文29篇，其中SCI论文21篇，含IEEE Trans.6篇；在国际主要学术会议发表论文17篇，超额完成了我们的研究目标。我们的研究成果获得了国际主流会议ICDAR 2015国际鲁棒文本检测与识别竞赛的4项冠军，国际主流会议ICONIP 2017最佳候选论文奖，国际主流会议BICS2018最佳学生论文奖。 3)我们发布了一套供研究者使用的跨领域整体识别数据库，包含人脸表情、多姿态数据、手写字符等数据。