基于超图谱分析的图像分类方法研究

Graph Model is a popular tool for image analysis, because it can describe the relationship among the images intuitively. However, traditional graph stucture takes the pair-wise similarity between two images as the edge, so it ignores the high-order information among the images, which is actually very important to image classification. This project aims to study hypergraph based image classification. Different from traditional graph, hyperedge in hypergraph is composed of a subset of the data with same attribute, so hypergraph has a property of decribing high-order information. The main researh contents includs: how to extract efficient visual cues from image, how to build the hypergraph based image classification framework, the optimal solution of hypergraph spectral analysis, and how extend to image sequence classification, ect. We will also build a Demo system of scene classification based on the research results.

图模型是图像分析中常用的分析工具之一，因为它可以直观的描述图像数据之间的关系。但是传统图结构通常是以两两数据间的相似度连接来构建图结构中的边，忽略了数据间的高阶信息，而这些高阶信息实际上对于图像分类来说是非常有用的。本项目拟研究基于超图谱分析的图像分类方法。不同于传统图结构，超图的超边是数据中具有某种相似属性的子集来描述，因此可以描述数据间的高阶信息。本项目的主要研究内容包括：如何更有效的描述图像的视觉信息、如何构建基于超图谱分析的图像分类框架、超图谱分析的优化求解、以及超图谱分析在图像序列分类中的扩展等，并基于研究成果搭建场景分类的原型系统。

随着数字成像设备的快速发展和互联网技术的快速发展，图像分析与理解面临了更大的挑战。本项目重点针对图像分析面临的“高维性”、“复杂性”等问题开展了一定的研究。主要以稀疏低秩学习来研究图像特征的低维表达问题,以超图学习来研究图像特征的复杂关系表达问题，以及基于大数据的模型快速优化问题，初步开展了基于深度学习的复杂特征表达等拓展研究。同时，以人脸图像分析、衣服图像分类、遥感图像分类为应用背景，验证项目模型及其算法。取得了多项成果，已在国内外知名期刊发表（录用）论文28篇次，其中IEEE trans汇刊16篇，在本领域重要的国际国内会议发表论文5篇次，合计发表论文33篇，SCI(E)源刊23篇次；申请发明专利5项，授权发明专利2项，软件著作权2项，圆满完成了项目计划书规定的研究任务，发表(录用)的论文数和专利数均满足验收指标。在本项目的资助下，研究团队获得了2014年国际人脸形状匹配算法竞赛第一名，2015年国际视频人脸形状跟踪算法竞赛第一名，2015年国际ImageNet大规模图像分类与检测比赛物体检测、分类任务第一名，2016年国际ImageNet大规模图像分类与检测比赛视频中的物体探测、分类任务第一名项目等诸多奖项。研究成果具有广泛的应用前景，有利于提升图像视频以及卫星遥感影像的智能化处理。