多粒度流形学习及其在视认知计算中的研究

图像处理、计算机视觉等许多领域获得的数据是高维的、庞大的、无序的、动态的以及多粒度的，有价值的信息淹没在大规模多粒度数据集之中。多粒度流形学习能够在不同的粒层研究高维观测数据的内在低维流形结构和发现内在规律，它将是一种多视角、多层次的智能分析方法和研究认知的新技术。本课题研究内容包含：①构建多粒度流形学习模型及其流形学习算法，探索不同粒层流形结构的不变性。②设计多粒度的动态增殖流形学习算法。③研究多粒度的半监督流形学习及其集成应用。④应用多粒度的流形学习算法探索不同粒层的图像流形，利用多粒度增殖学习在多个粒层上发现图像序列和海量图像集的多层次图像流形结构。⑤利用多粒度流形学习模型探索视觉认知机理，在数据流形、感知流形、神经流形之间建立联系，试图解释多粒度感知流形的形成过程和模拟人类视觉感知能力。研究成果用于构建多流形的图像识别与目标追踪原型系统，提高生物特征识别、物体识别等识别任务的性能。

本项目在粒计算、流形学习、数据分析等多个交叉领域探索了多视角、多层次的智能分析方法和研究认知的新技术。设计了信息粒的获取与划分方法，提出了多粒度的层次聚类算法；分析了粒度原理并提出多粒度的规则获取算法；从粒计算的角度研究流形学习技术及应用，提出了基于粗粒度的半监督鉴别互子空间算法、基于粗粒度的半监督特征映射算法、基于划分的多粒度流形学习算法、两级粒度的弱监督自训练算法等一系列多粒度的流形学习算法及框架; 并分析了流形的图结构特性，设计了优化求解算法；结合其它无监督、弱监督、半监督、监督机器学习技术，应用到图像/视频数据、人体生物特征、社会网络数据、文本数据、生物信息数据、无线传感网络等数据分析与认知领域，取得了较好的应用效果。..发表学术论文56篇（其中SCI/EI/ISTP收录23篇：SCI/EI期刊论文10篇和EI/ISTP会议论文13篇，核心中文期刊论文28篇），培养硕/博研究生17人，资助参加国内外学术交流13次。