基于局部特征的多视角学习算法若干关键问题的研究

Multi-view learning algorithms based on local features can process multi-view data effectively and are widely used in some applications including unmanned aerial vehicle, facial recognition system. But this kind of algorithms exists defects for the precise recognition of objects. Past work has found that defects are mainly caused by the insufficiency of effective data information, the imperfection of classifier design principle, the finite of local features and has proposed some solutions with limited effects. In terms of these problems, this project launches researches from the enhancement of effective data information, the construction of classifier design principle, and the extraction of local features. First, this project proposes the generation algorithm of label-unknown multi-view large scale data set based on label-known multi-view medium and small scale data sets with limited information so as to enhance effective data information; then this project realizes the classifier design principle based on global and local structural risk minimization for multi-view data and introduces the relationship between local features and global ones; finally, this project proposes an extraction method for local features of multi-view data based on convolutional neural network and builds a convolutional neural network-multi-view classifier hierarchical model so as to extract the local features more adequately. Research findings of this project provide ideas for improving the multi-view learning algorithms based on local features and have important theoretic signification and application value for enhancing the performances of unmanned aerial vehicle, facial recognition system, and so on.

基于局部特征的多视角学习算法可以有效处理多视角数据，在无人飞行器、人脸识别系统等应用中被广泛使用。但目前这类算法对于目标的精准识别存在缺陷。过去的工作发现该缺陷主要由有效数据信息不足、分类器设计原则不完善、局部特征有限等问题导致，并提出了若干效果有限的解决方案。本项目针对这些问题，从有效数据信息增强、分类器设计原则构建、局部特征提取等三方面展开研究。首先提出基于信息有限的有标签多视角中小数据集的无标签多视角大数据集生成算法，以增强有效数据信息；然后实现基于多视角数据的全局和局部结构风险最小化分类器设计原则，并融入局部特征和全局特征之间的关系；最后提出基于卷积神经网络的多视角数据局部特征提取方法并建立卷积神经网络-多视角分类器层次模型，以更充分地提取局部特征。该项目的研究成果为改进基于局部特征的多视角学习算法提供思路，对提高无人飞行器、人脸识别系统等的性能有重要的理论意义和应用价值。

在港航物流等领域中，基于局部特征的多视角学习算法普遍存在样本信息不足、分类器设计原则不完善、局部特征有限等问题。为解决这些问题，本项目首先提出简单的信息修复算法和基于信息有限的有标签多视角中小数据集的无标签多视角大数据集生成算法并引入信息熵，以增强样本信息；其次，实现基于多视角数据的全局和局部结构风险最小化分类器设计原则，以更好地融入数据集的全局特征和局部特征及其关系；接着，利用子空间学习等方法建模以提取局部特征；然后，提出在线特征融合算法以实现对特征可变的数据集的处理；最后，引入类别-类别关联及其约束以加强多视角学习算法对真实场景问题的处理能力。项目的重要结果和关键数据包含：（1）提出可修复缺失信息或生成无标签多视角大数据集的NMVL-IV、WLM、WUSM等算法并引入信息熵加强有积极作用的样本影响（如基于熵的多视角矩阵完备算法带来3.85%的分类性能提升），从而增强样本信息；（2）提出基于Universum或权重的多视角全局和局部结构风险最小化模型，通过融入全局特征和局部特征之间的关联，以提高算法的适用范围和性能（提升率在1.68%~23.26%不等），而增加的训练时间仅不超过10%；（3）设计基于子空间学习等相关模型以有效提取全局和局部特征；（4）提出可以处理可变全局和局部特征的在线模型，在至少96.54%的情况下，提升2.60%~8.00%的平均性能；（5）提出GLMVML模型，引入全局和局部类别-类别关联，改善多视角学习算法的性能。本项目共出版专著1部，发表了SCI收录论文10篇，EI收录论文8篇，其他数据库收录论文14篇，授权国内专利1项，受理或实审国内外专利共4项。这些成果为解决基于局部特征的多视角学习算法中存在的若干关键问题提供思路，对提高港航物流等领域的工作效率具有重要的理论意义和应用价值，对“智慧城市”的建设具有重要的科学意义。