面向鲁棒特征学习的稀疏与低秩编码算法研究

Robust feature learning is one of the most important research topics in the communities of pattern recognition, data mining and computer vision. In the project, we will mainly talk about three core scientific issues, that is, "high-dimensional data representation, robust measure enhanced topology to maintain" in the research of robust image feature learning. .Based on the three core scientific issues, we will present three new "model plus analysis" sparse and low-rank coding frameworks and their applications to medical image processing, including: (1) According to the fact that discriminative dictionary learning heavily depends on the labels of labeled training data during the sparse coding process, we will propose a semi-supervised dictionary learning algorithm for joint sparse coding and classification; (2) Due to the facts that the low-rank projection based feature learning models work directly on the vectorized representations of images and hence may destroy the topology structures between pixels in images, as well as they cannot preserve the similarities between images during the feature encoding process, we propose a matrix patterns based neighborhood preserving low-rank feature coding algorithm; (3) Considering that existing embedding based sparse or low-rank feature learning models only takes into account the characteristics of sparse or low rank data during the feature encoding process, which may result in inaccurate representations, we propose a joint low-rank and sparse principal components feature learning for integrated robust feature coding and classification; (4) We will also apply the proposed robust low-rank or (and) sparse feature learning methods for handling medical ultrasonic signal and image processing (such as image de-noising, recovery, etc.) for verification, and also provide new technologies for medical image processing. The main technical indexes include publishing 12-23 authoritative international SCI journals or conference proceedings papers, and submitting 16-28 invention patents applications.

鲁棒特征学习是模式识别与计算机视觉等领域中的一个重要课题。本项目围绕鲁棒图像特征学习中的“高维数据表示、鲁棒度量增强、拓扑结构保持”三个核心科学问题，系统提出“模型+分析”的稀疏与低秩编码理论新框架。研究内容有：（1）针对判别字典学习与稀疏编码依赖有标签训练数据的问题，提出基于半监督字典学习的判别稀疏编码与分类算法；（2）针对低秩投影特征学习模型直接作用于图像向量描述因而易于破坏像素间拓扑结构，以及编码过程无法保持图像相似性的问题，提出基于矩阵模式的近邻保持低秩特征学习算法；（3）针对现有的稀疏或低秩特征学习在编码过程中仅考虑数据的稀疏或低秩特性因而可能导致不准确描述的问题，提出一种鲁棒的稀疏低秩主成分特征学习与分类集成算法；（4）应用研究：将上述成果应用于医学超声血流图像处理进行验证，为医学图像处理提供新技术。技术指标：发表权威SCI期刊或国际会议论文12-23篇，申请专利16-28项。

随着人工智能的发展，数据呈现爆炸式增长，图像数据则是众多数据形式中最为常见的一种，也是最受关注的一种信息载体，如何有效地从这些复杂的图像中提取出具有价值的信息以及复原受损的图像数据以及如何处理现实生活中的高纬度的、含噪音的数据，一直是计算机视觉和图像处理领域的一个艰难的研究课题。本课题主要通过稀疏与低秩编码相关算法对特征学习进行研究。特征提取是研究如何从众多特征中求出那些对分类识别最有效的特征，从而实现特征空间维数的压缩,即获取一组“少而精”且分类错误概率小的分类待征。本课题一方面利用图像矩阵的低秩特性，提取图像数据中少量的稀疏线性无关向量，得到有效的数据表示，从而获取更好的分类结果。同时也可以利用图像数据中的冗余信息，对数据进行重构，进行图像复原。另一方面通过设计高效的字典学习算法，为稠密表达的数据找到合适的字典，将样本转化为合适的稀疏表达形式，从而使学习任务得以简化，降低模型复杂度，进而提高数据的分类与聚类结果。本课题在一些公开的人脸，手写体以及目标等数据集上，将所提出的算法与一些近年的以及经典的相关算法进行了对比，主要包括可视化对比以及量化对比结果，均取得了较为领先的结果与性能。此外本课题的研究也具有很重要的科学意义，首先通过特征提取得到数据的高效表示，这有利于提升人脸识别以及目标识别的准确度；其次，本课题的低秩编码算法还可以利用冗余的信息对数据的损坏部分进行补全和复原，提高数据的表示能力；此外，本课题提出的算法也可以进行视频处理。提出的算法可以将监控视频中的固定背景以及移动的前景进行分离，从而可以更好的捕捉移动目标。