视觉大数据全效处理体系关键技术研究

This research is to design and implement a new holon-logic of visual big data in complex environment, called Cloud Atlas. This subject is to design efficient representation, storage, scheduling and fusion method for visual big data,and to synergisticly select valuable hyper-feature for visual big data to avoid disturbance of complex environment, and to apply the approach of stochastic weak supervision to the tons of hyper-data samples of visual big data,and to achieve a large number of parallel training of classifiers and bio-inspired autonomous learning, thus to breakhrough the bottleneck of large scale visual datasets in applications. It also uses a new hypergraph structure in huge real-time hyper-matching. Focused on "holon-logic representation for visual big data", "collaborative selection for valuable hyper-feature", "bio-inspired autonomous learning for visual big data", and "hyper-clustering & hyper-matching framework", it aims to explore the computing theory and algorithms of visual big data, modeling visual big data under complex environment. This subject aims to describe the holon-logic representation of visual big data under complex environment, thus to provide a new carrier for information mining and exploration. Vice verse, it reveals the rule of hyper-infomation mining and exploration of visual big data,thus to offer a new approach to the benchmark of complexity and precision for visual big data in multi-domains.

本课题拟建立一个复杂环境下视觉大数据的全新效能处理体系框架，即云图架构。该架构为视觉大数据设计高效描述、存储、调度和融合方法；对视觉大数据协同选取有价值超维特征，以避免复杂环境干扰；对视觉大数据的海量超维数据样本采用基于随机统计的弱监督方法实现大量分类器的并行训练并进行仿生自主学习，以解决大规模数据集在视觉中的应用瓶颈问题，并运用新型超图结构实现海量超维特征匹配以满足实时性要求。课题拟围绕"视觉大数据全效表达方法"、"超维价值特征协同选取"、"视觉大数据的效能仿生自主学习"、"超维聚类和超维匹配统一框架体系"等核心内容，主要研究视觉大数据的计算理论与算法，建立复杂环境下视觉大数据的新型处理模型。本课题拟阐明复杂环境下视觉大数据的全效表达机制，为超维信息挖掘和探索提供新型信息载体；拟揭示视觉大数据超维信息挖掘和探索规律，为视觉大数据提供在多领域进行计算复杂度和精准度的平衡性验证的思路。

本项目拟建立一个复杂环境下视觉大数据的全新效能处理体系框架，即云图架构。项目围绕"视觉大数据全效表达方法"、"超维价值特征协同选取"、"视觉大数据的效能仿生自主学习"、"超维聚类和超维匹配统一框架体系"等核心内容，主要研究视觉大数据的计算理论与算法，建立复杂环境下视觉大数据的新型处理模型。本项目阐明了复杂环境下视觉大数据的全效表达机制，为超维信息挖掘和探索提供新型信息载体；揭示了视觉大数据超维信息挖掘和探索规律，为视觉大数据提供在多领域进行计算复杂度和精准度的平衡性验证的思路。.对于视觉大数据的深度和广度挖掘研究，为应对图像处理领域中需要处理海量数据所产生的大量时间成本的问题，提出了一种能够高效的处理海量图像的新型框架，我们采用并行化的思想，并将其部署在分布式系统上，最终成功提高了特征选取的效率。.对于复杂环境下视觉大数据有价值超维结构化特征的协同选取方法研究，提出了一种基于聚类的距离方向直方图的海量图像检索系统。该系统能有效的减少特征的存储空间，提高检索准确率，获得更好的可扩展性。.对于视觉大数据的仿生自主学习模式和面向协同选取的超维价值设计的大量分类器并行训练时对随机弱监督方法的优化研究，提出了一种基于简洁非监督式卷积网络的图像分类系统，与传统的深度卷积神经网络模型相比，学习过程极其简洁，摒弃了成千上万的参数初始化和调优，同时解决了传统卷积网络必须使用带标签图像的瓶颈。.在视觉大数据超维信息挖掘的过程中，提出了一种用于二维图像中进行人体姿势估计的深度学习模框架，该框架着重从全局探究人体姿势与图片信息之间的内在联系。在视觉大数据超维信息的探索过程中，为了克服传统图像分割方法由于分割后的图像区域之间关联性不强所引起的人类感知偏差的不足，提出了一种基于隐式语义推理的自然图像分割方法，这对图像的人类感知理解有很大意义。