基于认知模型的图像不变性特征理论和关键技术-东篱科研大数据发现系统（DRDS）

位置：立项数据库 > 立项详情页

基于认知模型的图像不变性特征理论和关键技术

项目名称：基于认知模型的图像不变性特征理论和关键技术
项目类别：重点项目
批准号：61033013
申请代码：F0205
项目来源：国家自然科学基金
研究期限：2011-01-01-2014-12-31

项目负责人：李凡长
负责人职称：教授
依托单位：苏州大学
批准年度：2010

中文摘要：

本项目是一个集人脑认知、图像处理、计算机视觉、模式识别和机器学习等领域的交叉研究方向。在过去几十年里，图像不变特征得到了研究者们广泛关注，该课题已成为计算机视觉和图像处理及机器学习等领域的一个研究热点和难点。本项目的主要目标是基于人脑认知机理，探索高效的、普适性高且计算复杂度低的图像不变性特征分析的新理论与新方法。其内容包括（1）研究人脑对图像的李群认知理论；（2）研究基于人脑认知模型的图像尺度空间分析技术及理论框架；（3）研究基于人脑认知模型的图像颜色的光照估计算法；（4）研究基于人脑认知模型的图像颜色不变性描述子提取方法。通过该项目研究不仅能产出一批有影响的学术成果，更重要的是能培养出在国际上有竞争力的占领该领域制高点的学术团队。因此，开展该项目研究对提升我国在该领域的国际地位将具有重要战略意义。

中文主题词：李群机器学习；量子群学习算法；Finsler几何学习算法；范畴表示学习算法；动态模糊二阶逻辑

英文摘要：

Lie group machine learning；Quantum group learning algorithm；Finsler geometric learning algorithm；Category representation learning algorithm；second-order dynamic fuzzy logic

英文主题词： Lie group machine learning；Quantum group learning algorithm；Finsler geometric learning algorithm；Category representation learning algorithm；second-order dynamic fuzzy logic

结论摘要：

人脑认知图像是一个非常复杂的过程，人脑处理图像既快又准。目前的科学技术无法使得计算机像人脑一样高效地处理和认知图像。本项目的主要研究内容是基于人脑对图像的认知机理，构建能够充分反映图像整体和局部属性的不变性特征，创建图像认知新理论，实现对图像的高效认知和理解。经过4年研究，取得的成绩包括 1、提出了李群机器学习理论新框架，并取得了多项成果，包括李群机器学习模型、李群机器学习子空间轨道生成算法、李群覆盖学习算法、李群核学习算法、李群半监督学习算法、李群深层结构学习算法、量子群学习算法、张量学习算法、纤维丛学习算法、标架丛上的联络学习算法、谱估计学习算法、Finsler几何学习算法、同调边缘学习算法以及范畴学习算法等。 2、提出了“模型+分析”的深度认知互补模型理论框架，将其应用于颜色分析，取得了多项成果，包括一种多光照颜色恒常性算法、一种多光照颜色恒常性算法的性能评价标准及显著性分析方法等，为图像在多光照条件下的颜色恒常性计算和图像颜色不变性描述子提取提供了新方法。 3、提出了图像不变多尺度特征的动态模糊分析方法，取得了多项成果包括动态模糊二阶逻辑，动态模糊代数语义模型，动态模糊操作语义模型，动态模糊层次关系学习等，为解决图像多尺度不变特征之间存在的动态模糊性问题提供了新的理论基础。 4、在项目实施过程中，发表学术论文70篇，其中SCI收录33篇，发表在ACM Trans.2篇、IEEE Trans.8篇、Elsevier系列期刊 17篇，其它SCI论文6篇，其他SCI论文6篇，EI收录23篇；出版学术专著3部（“李群机器学习”为国内外首次出版的第一部专著）；获江苏省科学技术奖二、三等奖各1项，获IEEE CS GRC Pioneer Award国际学术奖1项（全球共3人获奖）；申请国家发明专利27项，已授权5项；申请成功“交通数据与数据挖掘”北京市重点实验室；“机器学习与认知软件”团队2012年评为苏州大学创新团队，引进了5名青年教师加人本团队，团队1名成员2014年获江苏省杰青；培养博士后6名（出站2名）；培养博士20名（毕业5名，评为2013年北京交通大学优秀博士论文1篇）；培养硕士49名（毕业25名，评为2014年苏州大学优秀硕士论文1篇）；承办国际学术会议2次，出国参加国际学术会议20人次；邀请1名国外专家连续3年到本团队每年访问3个月。

成果综合统计