针对视觉映射的鲁棒混合回归模型研究

Visual mapping is a process of learning the mapping function between input image features and output variable, as such predicting target output through the learned mapping function when given a new sample. As an important branch of computer vision, it has been widely used in the related industries of auto-auxiliary driving, intelligent human computer interface, and security. Recently, mixture of regression models has been demonstrated to achieve the state-of-the-art performance when solving visual mapping problems; however, it also suffers from some limitations. The proposed project aims at circumventing the limitations of existing methods and improving their stability and robustness when applied for visual mapping. It will focus on the following four key research problems: (1) how to improve mixture regression model's robustness, (2) how to avoid it converging to local optimum, (3) how to select helpful features from input for predicting target output, and (4) how to deal with high-dimensional output problem. The significance of this research project is twofold. First, it will overcome the drawbacks of existing mixture regression models and propose improved mixture regression models that are capable of achieving better performance. Second, it will help mixture regression models be applied in more visual mapping problems, and help the industry related to visual mapping go further.

视觉映射是一种通过学习输入图像特征和输出变量之间映射函数来估计新样本目标输出值的技术。作为计算机视觉研究领域的一个重要分支，该技术已被广泛应用于汽车辅助驾驶、智能人机接口以及安防等多个产业。混合回归模型近年来被证明为解决视觉映射问题最好的理论模型之一，然而已有模型依然存在一些瓶颈性问题。本项目旨在突破上述瓶颈性问题，拟在如何提高模型鲁棒性，避免局部最优解，应对高维目标输出以及如何选择有效特征等四个方面展开研究工作，进而提高现有混合回归模型在视觉映射应用中的鲁棒性和准确性。本项目的研究意义在于两方面：一方面，它将从理论上克服已有混合回归模型的缺陷，完善了其在建模方面的不足；另一方面，它将通过理论上的进步推动混合回归模型在各类视觉映射问题中的应用，进一步促进视觉映射相关产业的发展。

视觉映射是计算机视觉研究的一个重要问题，混合回归是解决这一类问题的主要方法。针对现有混合回归模型解决视觉映射问题的缺陷，课题组主要从基于关联性分析的混合回归模型、基于特征选择的混合回归模型、混合回归全局解的求解和基于隐空间的混合回归模型四个方面展开研究。.（1）基于关联性分析的混合回归模型方面，通过定义子回归器之间的关联性，建立了带相关性约束的混合关联回归模型和混合组回归模型，实现了更为准确和鲁棒的视觉映射，其映射估计效果达到浅层回归模型中的最佳。.（2）基于特征选择的混合回归模型方面，通过利用l1范数和l2-1范数，建立了针对单个子回归器的特征选择混合回归模型和针对相关回归器的相似特征选择混合回归模型，在某些应用中克服了传统数据降维方法的缺陷。.（3）混合回归全局解的求解方面，通过建立成对样本关联性模型，提出利用二次规划方法求解模型的全局最优解。.（4）针对隐空间的混合回归模型方面，通过人工定义隐空间（二值属性特征），建立从输入特征到隐空间再到目标输出的视觉映射模型，有效提高了现有模型的准确性和鲁棒性。另外，项目利用目标输出构建局部子空间的分析方法，也较好地解决了人体姿态估计等复杂的视觉映射问题。. 综上所述，本项目共发表论文8篇，其中SCI论文7篇，包括PR，ICIP等高水平期刊和会议，申请国家发明专利9项。这些研究成果解决了基于混合回归的视觉映射的核心问题，体现了较高的理论和应用价值。