层次稀疏认知框架下的压缩感知方法研究与应用

Compressed sensing (CS) not only is a new framework of signal acquisition, but also provides the new idea and methods for signal processing. It is known that sparse representation is the precondition and basic requirement of CS. But the available sparse representations, which are based on orthogonal bases or dictionaries, are not sufficient for adaptively representing the hierarchical characteristics inherent in many practical signals, which hinders the applications of CS for the signals. This proposal is based on the research findings of the biological visual cognitive mechanism. It will investigate the hierarchical sparse cognitive representation of practical signals, and the compressed sensing methods in the proposed representation framework. Furthermore, it is investigated that the applications based on the representation and reconstruction methods. The following topics are to be considered in the proposal. The hierarchical sparse representations for practical signals will be designed; the reconstruction models based on the structured sparse properties exploited from the representations will be proposed; the reconstruction methods for the models and their applications are to be established. By the proposed research, it will be expected to find a new way for obtaining the essential features of the signals, to establish the hierarchical and adaptive representation for practical signals, and to achieve the new research line for compressed sensing and its applications.

压缩感知不仅是新的信号获取和处理框架，同时也为很多信号处理应用提供了新的思路和方法。压缩感知框架中，获得信号的稀疏表示是前提和基本要求，而目前已有的基于正交基和字典的稀疏表示方法，并不足以为很多实际信号提供多层次和自适应的特征描述，也因此影响了压缩感知在实际信号中的推广和应用。本课题在生物视觉稀疏认知机理的相关研究成果指导下，研究实际信号的层次稀疏认知表示，以及此表示框架下的压缩感知方法与应用。研究内容包括：关于实际信号的基于层次稀疏认知的表示；在该表示框架下的信号结构稀疏特性与模型；层次稀疏认知框架下的压缩感知方法及应用。通过本课题研究，能够获得对实际信号本质特征的提取，对信号的多层次特征描述以及自适应稀疏表示，并为压缩感知及其应用研究提供新的方法和思路。

课题在生物视觉认知机理的研究成果指导下，研究实际信号的层次稀疏认知表示，及此表示框架下的压缩感知，深度网络模型，和图像重建应用。项目的研究成果包括：（1）提出了基于过完备字典的层次特征提取及压缩感知重构模型。该模型设计了一种利用Ridgelet过完备字典根据图像块的压缩观测判定图像块结构类型的解析方法，并设计了基于方向指导的贪婪搜索策略和进化搜索策略。该方法能够获得更准确的方向结构估计，以及更高的重构速度。（2）提出了结构指导的卷积网络模型及两种高光谱分类方法。建立的联合损失卷积神经网络的高光谱图像分类方法中，设计了重建解码路径，将有监督的判别损失和无监督的重建损失联合用于网络优化。在基于空-谱融合网络的高光谱图像分类方法中，搭建了双通道网络模型，分别提取高光谱图像的光谱和空间信息，并采用双线性池化融合方法来获得空-谱联合特征，能获得更高的像元分类精度。（3）建立了基于人脸结构的深度网络模型及两种人脸姿态校正与重建方法。提出了基于相似度保留堆叠自编码器的人脸姿态重建方法。该方法利用人脸的类别信息来约束网络提取的人脸特征，获得对身份识别更有用的信息。提出了基于轮廓约束生成式对抗网络的人脸姿态重建方法，使用生成式对抗网络进行人脸姿态校正，并利用人脸轮廓来增强姿态校正和正脸重建效果，在大角度人脸姿态校正上获得较好的效果。（4）建立了层次结构增强机制指导的深度网络模型及超分辨重建方法。将两种注意力机制与卷积网络结合，以提取和增强图像的显著结构特征，重建得到细节更为逼真细腻的图像。提出在网络模型中体现图像多层次边缘信息及其相互关联，建立的超分辨方法可以对密集纹理图像进行有效超分辨率重建。通过本课题研究，建立了对信号多层次特征描述及自适应稀疏表示的模型和框架，并为压缩感知及相关图像重建应用研究提供新的方法和思路。