基于稀疏语义表示的大规模图像分类问题研究

Inspired by the successful application of sparse representation methods in low-level image processing, this project mainly study the discriminative sparse representation for image classification and the fast classification methods for large-scale problem, aiming at solving the bottleneck of image classification. This project will build the research method of image classification under the framework of sparse representation. The main contribution includes:(1) research of sparse feature space which is discriminative, semantic and adaptive for the application of image classification. While reducing the computer complexity,it should ensure the separability of the feature space;(2) For the large-scale problem,introduce the construction of sparse feature space via priori information , and build the fast classification algorithm in the compressive space;(3) For the dynamic expanded training dataset, build the fast dynamic stochastic learning algorithm by using the main idea of stochastic approximation, which is classical in mathematical optimization. In this project, we will dig up the new methods of image classification with sparse representation, and prob that if the new methods can overcome the now existing bottleneck of image classification, and finally we will make experiments on the medical database provided by Sun Yat-Sen University .

本项目拟以近年来在底层图像处理领域取得成功应用的稀疏表示方法为基础，以解决当前图像分类所面临的语义特征表达和大规模等关键问题为目的，重点研究可用于分类的图像鉴别稀疏特征的提取与评价，建立基于稀疏表示的快速图像分类算法，在稀疏表示的框架下来研究图像分类的语义表达与大规模问题。具体的,(1)针对图像的语义表达问题，研究适用于图像分类的保语义鉴别稀疏特征空间的构造与表示，在降低图像分类计算复杂度的同时，保证特征空间的可分离性;(2)针对大规模图像分类问题，研究基于先验信息的稀疏空间构造问题，建立可压缩稀疏空间中的快速图像分类方法；(3)针对图像分类的可扩展性问题，建立面向动态数据库的随机逼近快速图像分类算法。本项目将充分挖掘基于稀疏表示的图像分类新方法，探索新方法能否突破传统分类问题面临的表达与大规模瓶颈，并在中山大学数字医疗媒体库上进行试验验证。

四年来，项目组主要围绕基于稀疏表示及低秩表示的图像处理及分类问题，针对图像分类的鉴别特征提取、大规模低秩模型的快速求解以及图像分类模型的可扩展性问题开展了研究。研究内容主要包括图像显著性特征提取、高维滤波及语义分割、秩正则化模型的快速近似算法以及面向动态数据库的可扩展分类问题的在线增量算法。本项目执行期间，项目组成员团结协作，取得了一系列的研究成果，在IEEE Transactions on Multimedia，European Conference on Computer Vision（ECCV），Computers & Graphics等国内外刊物或会议上发表论文24篇，其中SCI检索 10 篇， EI检索 11 篇，申请国家发明专利 2 项（受理）。参加国内及国际会议10人次，参与组织国际学术会议3次。资助1人赴英国卡迪夫大学访问一次。项目执行期间共培养硕士研究生 4名，在读硕士研究生1名。