多源观测图像集空间Lp,q范数约束的投影与表示深层学习模型研究

Multi-observation space can provide more information than single observation space and how to improve the performance by the multi-angle data with different structure in the multi-observation space becomes a core problem in the multi-dimension signal processing. This project will solve the multi-observation space deep projection and feature learning constrained by Lp,q norm, Lp,q norm constrained sparse representation, non-Euclidean approximating residual for identification in sparse representation and etc. The research emphasis on the following aspects: (1) Using the relevance of the multi-source samples and the constraint, explore the deep transformation model of multi-source image set samples, thus samples from different source space can be projected into a common subspace and the problem of different distribution of multi-source samples can be solved. (2) Inspired by deep learning theory, we will research the common deep feature learning model based on the data in the common subspace. This model can extract projection feature of different layers in high-dimension multi-observation space and thus the multiple hierarchy feature self-learning model can be constructed based on merits of precious prior model and deep learning. (3) For the multiple hierarchy feature self-learning model, Lp,q norm is adopted as the measurement of distance and non-Euclidean residual based sparse representation will be researched in multi-observation subspaces, thus we hope to get more generalized robust deep dictionary learning sparse representation model. we will study multi-kernel and empirical-kernel based promotion transformation and construct non-Euclidean residual based sparse representation classification model in the promotion space. We hope that we can make some progress in solving the multi-observation space deep projection, hierarchy feature learning, and sparse representation based on Lp,q norm. And thus explore the potential method for the multi-observed data processing.

多源观测空间提供更多测量信息，但如何利用观测空间图象集信息成为核心问题。项目研究在深度学习框架中融合已构建的子空间、字典学习等先验模型，解决多源观测空间Lp,q约束的深层投影、特征学习、非线性稀疏表示分类问题。研究:(1)利用多源域图象集的关联关系，以Lp,q范数为约束，研究多源域样本深层投影空间转换模型，将不同源域投影到共同子空间，解决观测空间多源域数据分布不同的问题。(2)以Lp,q范数为约束，借鉴深度学习原理，研究融合先验模型的深层抽象特征学习新模式，抽取多源观测样本局部空间分布投影特征。(3)以Lp,q范数为约束，建立多源观测空间深层字典学习的稀疏表示模型，以获得广义的鲁棒稀疏表示模型，研究多核以及经验核提升变换，在提升空间建立非欧逼近误差扩展非线性稀疏表示分类模型。通过多源观测空间投影变换、特征学习以及稀疏表示等先验模型深度化研究，为多观测图象集数据分析处理探索有潜力的新途径。

多观测数据的一个显著特点是数据的集合化。其原因是人们通常很容易采集到具有同一主题的大量多观测数据，例如从监控视频、移动手机或视频摄像机等获取的图像数据，而这些数据呈现出一定的集合性。一方面，数据的集合性给传统的分类识别方法带来了极大的挑战，另一方面，丰富的数据资源也给通常的识别分类任务带来了机遇。如何分析和建模多观测数据集合以有效地促进模式识别技术的发展是一个亟待探讨和研究的问题。.本项目从利用多观测图像集合自身的自相似性、冗余性、局部结构非线性等特点来开展相关的探索性研究, 主要研究 ：(1) 利用多源域样本的关联关系，以 约束研究多源域样本投影空间转换模型，将不同源域投影到共同子空间，解决多观测空间多源域数据分布不同的问题。(2) 以 度量为约束，借鉴深度学习原理，研究抽象特征学习模型，抽取高维多观测样本空间分布投影特征，建立基于 约束的多层抽象特征自学习模型。(3)以 为距离度量，研究多观测空间非欧距离度量的稀疏表示理论，希望获得更为广义的鲁棒稀疏表示模型。(4)研究多核以及经验核提升变换，在提升空间建立线性扩展稀疏表示分类模型。.针对代价敏感的人脸分类问题，设计由粗到细的人脸安全认证方法-限定表情动作模式的代价敏感人脸安全认证模型。分析了流形 空间中样本位置对测试样本的能否正确分类的贡献度不同，融合人脸流形结构和稀疏编 码的核空间技术，提出流形正则化核协同表示人脸识别算法。利用流形正则化基扩展通 用核协同算法，增强算法的鲁棒性。为构建拥有2D神经网络速度同时保持3D神经网络性能的视频行为识别模型,提出3D多 支路聚合轻量网络行为识别算法.针对视频异常行为检测问题,为降低对应用场景具有局限性,提出时空深度特征近邻传播聚类算法(Affinity Propagation Clustering,AP)的稀疏表示视频监控异常目标检测与定位算法。