面向特征提取的深度鉴别稀疏表示学习方法研究

Feature extraction is an important research topic in the field of pattern recognition and computer vision. As a popular feature extraction method, sparse representation learning cannot obtain the high-level features effectively because it is a shallow model. This project would investigate the deep sparse representation learning for feature extraction by integrating dictionary learning and deep learning, to establish a deep sparse representation learning framework and to enrich and develop the theoretical system of feature extraction. Particularly, the points of our research mainly include: (1) Referencing the framework of deep learning model, constructing deep discriminative analysis-synthesis dictionary learning method, making the feature more representative and discriminative with faster extraction efficiency. (2) Studying the structure information characterization methods, which has superior performance, enhancing the identification ability in convolutional sparse coding, establishing multi-layer discriminative convolutional sparse representation learning method. (3) Exploring the mechanism of the effective combination of dictionary learning and deep learning, establishing dictionary-driven deep learning method, designing a similar end-to-end solution algorithm..The project will develop the theory and method of deep sparse representation learning with strong representation and discrimination ability, form a systematic learning framework about deep discriminative sparse representation learning to improve the understanding and perception of computer.

特征提取是模式识别和计算机视觉领域中极其重要的研究课题。作为一种主流的特征提取方法，属于浅层模型的稀疏表示学习无法有效地获取数据的高层表示。针对这一问题，本项目拟结合字典学习和深度学习等模型和理论，研究面向特征提取的深度鉴别稀疏表示学习方法，建立深度鉴别稀疏表示学习框架，丰富和发展特征提取理论体系。具体的研究内容包括：（1）借鉴深度学习框架，设计深度鉴别解析-综合字典学习方法，使得特征的表示和鉴别能力更好同时提取效率更快；（2）研究性能优越的结构信息刻画方法，增强卷积稀疏编码的鉴别能力，建立多层鉴别卷积稀疏表示学习方法；（3）探讨字典学习和深度学习有效结合的机制，建立字典驱动的深度表示学习方法并设计类似端到端的快速求解算法。.本项目将大力发展具有强表示能力和鉴别能力的深度稀疏表示学习理论与方法，形成系统的深度鉴别稀疏表示学习框架，进一步提高计算机对图像的理解和感知能力。

提取数据的高层特征表示对于人脸识别、图像分类等应用至关重要。稀疏表示学习是特征提取的主流方法之一，但是它只能提取数据的浅层特征，针对复杂问题的泛化能力较弱；深度学习模型可以获得数据的高层表示，但是在处理小样本数据问题时容易出现过拟合。本项目拟结合稀疏表示学习和深度学习等模型和理论，研究面向特征提取的深度鉴别稀疏表示学习方法，有效地提取数据的高层特征表示。（1）构造多种结构信息的刻画方法，提出深度鉴别解析-综合字典学习方法。（2）提出多层鉴别卷积稀疏表示学习方法，提高卷积稀疏编码方法的表示能力和鉴别能力。（3）探讨了字典学习和深度学习有效结合的机制，提出了字典驱动的深度表示学习方法。.本项目推动了稀疏表示学习理论和方法研究的发展，在提取小样本数据的高层特征表示方面有较大改善，为小样本数据处理提供了理论和方法支持。.