面向目标类信息不充分场景的属性分类理论及应用研究

Different from conventional low-level feature representation (e.g., the histogram of colors), attribute representation (e.g., “red” and “has wings”) is a type of middle-level representation for images. In recent years, attribute learning has attracted increasing attention in domains of machine learning and computer vision. In particular, attribute representation provides an effective way to transfer knowledge learned from one category to another category. Considering the specific learning scenarios where the available information for object categories is not sufficient to construct an accurate and robust learning model, this project aims to address several important issues in attribute learning, including attribute representation, attribute classification, and knowledge transfer based on attributes. Specifically, this project proposes to do the following work to improve existing attribute learning models. First, to improve the discriminative capability of attribute representation, this project proposes to design a model to learn discriminative attribute representations automatically from data, rather than using conventional pre-defined attribute representations. Second, this project proposes to develop a hierarchical attribute classification framework, in order to model the high-order relationship among attributes for further improvement of attribute classification. Third, different from conventional methods that cannot precisely model the underlying relationship between attributes and low-level feature representations as well as the relationship between attributes and category, this project proposes to develop an adaptive knowledge transfer model based on attributes. Finally, this project proposes to apply the above-mentioned approaches to brain disease analysis and diagnosis based on brain imaging data.

属性表示（如“红色”、“有翅膀”等）是区别于图像低层特征（如颜色直方图）的一种中层语义刻画，能对目标类对象进行灵活和可解释性的描述，近年来成为机器学习和计算机视觉领域一个新的研究热点。特别地，在目标类信息不充分的学习场景中，属性表示为实现不同目标类之间的知识迁移提供了一种有效途径。本项目面向目标类信息不充分的复杂学习场景，拟系统解决属性学习中存在的属性表示、属性分类和属性知识迁移等基础性关键问题。具体地，本项目将：1）提出判别性属性表示学习模型，克服传统方法中属性表示依赖人工定义且判别性能不强的缺点并减轻计算负担；2）提出结构化属性分类框架，克服传统属性分类方法仅考虑属性之间一阶或二阶关系的不足；3）提出基于属性表示的自适应属性知识迁移模型，克服传统方法无法对属性与低层特征及属性与目标类之间的相关性进行精细建模的缺点；4）将上述理论和方法应用到基于脑影像的疾病分析和诊断中。

本项目通过充分利用数据内在的结构信息及其包含的中低层视觉信息，构建并发展高准确度和高鲁棒性的属性学习模型，提升目标类标记信息不充分学习场景下机器对目标类对象的基本认知能力和理解能力，并将相关理论和算法应用到脑影像分析和脑疾病诊断等实际问题。.本项目在执行期间基本按原计划对提出的研究内容进行了深入研究，并适当拓展了一些研究内容：1) 提出基于排他性特征选择和图核的属性分类模型，构建基于属性表示的图像分类新方法和多模态特征提取方法，并取得了比传统方法更好的分类结果；2) 提出一系列面向特定任务的感兴趣区域分割新模型，实现了对先验知识的有效利用，提高了图像分割性能；3) 提出一类基于属性学习和脑影像的功能脑网络构建模型，构建一体化的图像特征提取、融合和分类联合学习新框架，克服了传统方法依赖经验感兴趣区域的缺陷；4) 提出面向复杂多源多中心数据的属性分类框架，构建基于时序一致性的脑网络集线器节点和功能模块检测模型，并构建多中心脑网络融合新框架，显著提升了分类精度。本项目将相关理论和算法应用于基于脑影像的疾病诊断等实际应用问题，相关成果发表在图像处理领域顶级期刊IEEE Trans. on Image Processing、IEEE Trans. on Medical Iamging、Medical Image Analysis和人工智能领域顶级会议AAAI2019、AAAI2020等。.本项目在执行期间共发表了SCI收录论文10篇， EI收录国际会议论文7篇，培养博士研究生2名、硕士研究生3名、青年教师3名；相关成果获得2019年山东省高等学校科学技术一等奖、2018年山东省高等学校科学技术三等奖，完成了项目的预期目标。