基于层次化表达的大规模图像物体识别

It is the central task for computer vision to understand and analyze the content of images and object recognition is the core of the image understanding and analysis. With the development of technologies, big data is coming to human society. It is the purpose for large scale image object recognition to recognize the objects from the large amount of data.It is very important to understand how to analyze the data by human being. One of the key problems is the feature and model learning because of the data labeling. With the tools of machine learning such as weakly supervised learning, we focus on some researches like 1) large scale object recognition for partly labeling data 2)large scale object recognition for wrongly labeling data. In this research, we would like to put forward some novel algorithms and publish some high quality academic journal and conference papers to make these researches to be the international level research.

计算机视觉的中心任务就是采用计算机对图象进行理解和分析来获取有效信息。其中，物体识别是图像理解和分析中的核心问题。大规模图像物体识别试图解决计算机在海量数据下准确识别目标的问题，这一研究是解决大规模海量视觉数据智能理解的关键,对更好地理解人类视觉信息处理具有重要的理论意义。其面临着最为重要的问题之一就是如何解决因为数据标注问题而带来的大规模图像特征表达和模型学习问题，具体而言就是特征泛化性和模型鲁棒性。本项目以弱监督机器学习理论为指导，以大规模物体识别为重点科学问题开展研究，具体研究内容可包括：(1)面向弱标注数据的大规模物体识别(2)面向误标注数据的大规模物体识别。本项目将结合机器学习理论提出一些有效的新算法，在国际权威期刊和重要会议上发表一批高质量的学术论文。通过研究给出基于机器学习模型(层次化表达学习)的视觉物体识别系统的理论、模型和算法，力争使我国在该领域达到国际领先水平。

计算机视觉的中心任务就是采用计算机对图象进行理解和分析来获取有效信息。其中，物体识别是图像理解和分析中的核心问题。大规模图像物体识别试图解决计算机在海量数据下准确识别目标的问题，这一研究是解决大规模海量视觉数据智能理解的关键,对更好地理解人类视觉信息处理具有重要的理论意义。其面临着最为重要的问题之一就是如何解决因为数据标注问题而带来的大规模图像特征表达和模型学习问题，具体而言就是特征泛化性和模型鲁棒性。本项目以大规模物体识别在实际场景的应用如物体检测、视频目标检测、行人再识别和行人搜索等任务为重点科学问题开展研究，具体研究内容包括：(1)数据标注不充分情况下的模型学习和训练(2)噪声数据下的增强模型泛化性和鲁棒性。本项目提出了一系列有效的新算法，在国际权威期刊和重要会议上发表了一批高质量的学术论文。