大规模异构数据匹配的距离度量学习

With the ubiquitous use of digital imaging devices, mobile terminals and social networks, heterogeneous data explosively grows and is widely used in computer vision and multimedia content retrieval and other fields. To solve distance metric learning problem in matching of heterogeneous data, in this project we proposed large scale distance metric learning methods for heterogeneous data. Heterogeneous data is of different types, from multiple sources, mostly unlabelled and with big sample size. We model distance metric learning as a sample pair classification problem. By introducing sample pair distance kernel, laplacian regularization and multiple feature kernel, supervised, semi-supervised and multiple feature distance metric learning methods are developed. As the proposed models can be solved by support vector machines and multi-kernel learning solvers, they can effectively apply to large scale training. The proposed metric learning methods can be applied to heterogeneous image classification and cross modal visual retrieval, which effectively combine the fundamental research and practical applications. The research outputs provide the important theory value to general metric learning and multiple modal classification tasks.

随着数字图像设备、移动终端与社交网络技术的快速发展与应用，异构数据呈现爆炸式增长并广泛应用于计算机视觉与多媒体内容检索等领域。本项目针对异构数据匹配中的距离度量学习问题，提出了大规模的异构数据距离度量学习方法。异构数据具有数据类型多样、数据来源多源、数据规模大以及带标签样本少等特性。将异构数据的距离度量学习问题建模成一个样本对分类问题，通过引入样本对距离核、拉普拉斯正则及多特征样本对核，分别给出了有监督、半监督和多特征的异构数据距离度量学习方法。由于提出的模型可分别通过大尺度的支撑向量机、拉普拉斯支撑向量机和多核学习优化方法进行求解，可有效地解决大规模样本训练问题。本项目的度量学习方法可应用于异构图像分类及跨媒体视觉检索中，以实现基础研究与应用的有效结合。研究成果对广义的度量学习、多模态分类问题具有重要的理论价值和借鉴意义。

随着数字图像设备、移动终端与社交网络技术的快速发展与应用，异构数据呈现爆炸式增长并广泛应用于计算机视觉与多媒体内容检索等领域。本项目针对异构数据匹配中的距离度量学习问题，提出了大规模的异构数据距离度量学习方法。异构数据具有数据类型多样、数据来源多源、数据规模大以及带标签样本少等特性。本项目的重要结果包括以下几个方面：（1）提出了应用于单标记学习、多标记学习以及标签分布学习的统一度量学习模型；（2）提出了适用于SPD流形和格拉斯曼流形的统一度量学习模型；（3）提出了应用于异构数据的几何平均度量学习模型。该项目的研究成果解决了数据标签复杂、非线性分布以及数据混杂条件的度量学习问题，为视觉和多媒体领域的内容检索、分类以及匹配等问题提供了有效的距离度量，具备一定的理论和应用价值。