基于人类感知机理的不变特征表示及其应用

不变特征表示是指从变化的事物表象中提取出不变的本质特征。无论是在计算机视觉，还是模式识别和机器学习等领域都是一个面临巨大挑战的课题。目前的计算机视觉与高度完美的人类视觉处理能力相比，存在着巨大的差异，因此本项目借鉴人类视觉感知系统抽取不变特征的信息处理过程，探索不变特征表示问题。主要内容有：拟通过分析自然图像的时空特性，在有效编码的约束下，构建不变特征表示的理论框架；根据人类处理不变特征的分层处理特点，将不变特征分成初级不变特征和高级不变特征分层进行处理；研究成果将应用于复杂场景的目标分类任务中，对于快速的目标分类任务，仅采用前向连接满足实时性的要求，对于精确的目标分类任务，则增加反向连接和注意机制，提高性能。研究方案结合了生物视觉、机器学习等多个领域的最新研究进展，研究成果将有助于图像内容理解与分析、特征提取等关键问题的解决，具有重要的理论意义和实用价值。

不变特征表示是指从变化的事物表象中提取出不变的本质特征。无论是在计算机视觉，还是模式识别和机器学习等领域都是一个面临巨大挑战的课题。目前的计算机视觉与高度完美的人类视觉处理能力相比，存在着巨大的差异，因此本项目借鉴人类视觉感知系统抽取不变特征的信息处理过程，探索不变特征表示问题。. 本项目按照预定的研究计划，顺利完成了预计的成果指标，取得了一些重要的研究成果，主要有：(1) 在有效编码假说的框架下，构建了基于成对累计量的不变特征表示模型PCICA（Pairwise Cumulant-based Independent Component Analysis），能够模拟复杂细胞的稀疏性、相邻细胞的相关性；(2) 对PCICA模型进行了算法优化，提出了快速学习算法PCICA-F，在理论上证明了，PCICA-F算法具有三阶收敛的特点，优于同类算法至多二阶收敛的性能；(3) 提出了不变特征ICC（Invariant Complex Cell）描述子，并根据复杂细胞的信息处理方式，提出了基于ICC描述子的特征提取模型来提取目标图像的局部不变特征；(4) 引入准正交的假设，构建了具有过完备性的不变特征表示模型OPCICA（Overcomplete PCICA）；(5) 在PCICA模型的基础上，利用特征编码的有效性和慢变性作为目标约束，提出了非线性近邻保持NNP（Nonlinear Neighborhood Preserving）方法，能够求解复杂的光照、视角等高级不变特征；(6) 结合注意机制，构建了基于PCICA的选择注意机制模型；(7) 将上述模型和算法应用到图像分类识别、图像分割和目标检测等高级视觉任务中，进行了有益的探索。. 总体来说，本项目按照计划顺利完成。发表了研究论文23篇，包括国际期刊11篇（IEEE Trans. on SMC、Information Sciences、BMC Neuroscience、Neural Processing Letters等），国际会议10篇（CVPR2011、ACM MM 2010、ICIP 2011、ICIP 2010、ICPR 2010等），国内学报2篇（计算机学报等）。其中，SCI检索论文11篇，EI检索期刊论文1篇。取得了授权发明专利2项。培养了博士生4名，硕士生4名。