基于相异度的模式识别理论与算法研究

传统的模式识别理论与算法建立在"特征"这一概念的基础上。然而在很多实际模式识别问题中，提取有意义的特征是一项非常困难的任务。相对于特征提取的困难，在不少场合定义对象两两间的相异度(dissimilarity)却较为容易。因此，以样本间相异度作为数据的表示取代传统的特征表示是模式识别的一种新思路，称作基于相异度的模式识别系统。本项目将研究基于相异度的模式识别理论与算法。计划建立基于相异度的PAC学习理论，给出基于相异度表示的组合分类器泛化错误率margin型上界，以及PAC-MDL直推错误率上界公式；设计基于相异度的集成学习算法，以及Krein空间嵌入算法。还预计将理论成果应用于人脸检测、识别和基于视频的识别等实际系统。本项目预期在国际权威学术刊物、会议上发表高水平论文8-10篇。