基于人类教育学习模型及稀疏表示的半监督目标识别与分类研究

Semi-supervised object recognition and classification is widely used in many domains such as intelligent traffic and identity recognition. Difficulties in object recognition can arise due to object occlusions, abrupt motions, background clutters, object appearance changing, data label noise, etc. In view of this, the project aims to develop stable semi-supervised object recognition algorithms by combining human teaching-leaning mechanism and sparse representation. Detailedly, (1) by making use of manifold learning theory and simulating human learning process, we plan to construct the explicit nonlinear mapping from high-dimensional input manifold to low-dimensional intrinsic embedding, in order to effectively extract the intrinsic feature of the object; (2) by introducing some key principles of human teaching-leaning system, we desire to deeply extract the discriminative information hidden in the sparse structure of data, and then construct the robust semi-supervised classifier that has explicit nonlinear multi-class classification function. (3) For the application of semi-supervised classification on low-quality images based face recognition, we will integrate the manifold model assumption with the sparsity model assumption, to study the discriminative self-paced dictionary learning method; and then construct the effective semi-supervised object recognition method. The desired achievements will not only provide new strategies for semi-supervised object recognition and classification problems, but also may provide inspiration for the study of cognitive science. Therefore, this project has important theoretical value and application prospects.

半监督目标识别与分类广泛应用于智能交通、身份识别等领域，其困难主要来自于目标遮挡、突变运动、背景杂乱、外观变化，以及数据标签常含有噪声等方面。针对这些问题，本项目拟结合人类教育学习机制及稀疏表示理论，构造稳健的半监督目标识别和分类系统。具体包括：(1) 基于流形学习理论模拟人类教育学习过程，建立从高维输入流形到低维本质嵌入的显性非线性映射模型，实现目标本质特征的高效提取；(2) 引入人类教育学习系统中的若干关键机制，深层提取数据稀疏结构中的判别信息，进而构造具显性非线性多类分类函数的鲁棒半监督分类方法；(3) 针对低质量图像人脸识别应用，结合半监督学习的流形假设与稀疏假设，基于人类教育学习机制研究判别性的自步字典学习方法，进而构造高效半监督识别方法。所获结果将不仅为半监督目标识别和分类问题提供新的解决方案，也有望对认知科学的研究有启示作用，因而具有重要的理论意义与广阔的应用前景。

半监督目标识别与分类是数据挖掘中的一个研究热点，被广泛应用于智能交通、医疗诊断、身份识别等领域。但在实际中，算法的性能往往会受到光照变化、目标遮挡、突变运动、背景干扰、数据标签含有噪声等因素的影响。针对这些问题，本项目结合了稀疏表示理论、流形学习理论及模拟人类教育学习机制的自步学习理论，构造了稳健的半监督目标识别与分类系统。具体包括：(1) 基于稀疏假设建立从高维到低维数据的显性映射模型，实现目标本质特征的高效选择；(2) 基于自步学习理论，分别提出对标签噪声稳健，以及对具有重噪声、异常值的数据稳健的半监督目标识别方法；(3)探索数据的稀疏结构与流形结构（如测地线、图拉普拉斯），提出几种高效半监督目标识别方法；(4)基于稀疏表示提出具有较好的抗噪声能力和判别能力的半监督字典学习方法，并进而构造了高效半监督目标识别方法；(5) 针对低质量人脸图像及高光谱图像识别问题，从其稀疏与低秩结构入手，设计了一系列图像去噪的方法，为后续的半监督分类提供更为可靠的训练数据。总的来说，项目组成员在本项目支持下，近三年来在《IEEE Transactions on Cybernetics》、《IEEE Signal Processing Letters》、《Neural Computing and Applications》、CVPR、ICCV、ACCV和IJCAI等国际主流学术期刊与会议上发表论文 11 篇，申请发明专利 3 项，参加国际交流 2 人次，还培养了多名研究生，较为圆满地完成了课题任务。本项目所获结果为半监督目标识别与分类问题提供新的解决方案，具有较好的理论意义与应用前景。