本文關(guān)鍵詞：多視圖特征選擇與降維方法及其應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：針對(duì)多視圖數(shù)據(jù),以往大多數(shù)研究工作往往關(guān)注多視圖分類與聚類算法層面的研究,而對(duì)多視圖特征選擇與降維方法研究較少。隨著近年來(lái)數(shù)據(jù)采集設(shè)備的迅速發(fā)展,高維多視圖數(shù)據(jù)隨處可見(jiàn)。針對(duì)高維的多視圖數(shù)據(jù),直接進(jìn)行分類或聚類,往往很難達(dá)到特定應(yīng)用要求的效果。由于不同視圖間存在特征相關(guān)性,選擇有效特征或?qū)W習(xí)公共低維表示能夠提高學(xué)習(xí)模型的精度與效率,同時(shí),有助于理解錯(cuò)綜復(fù)雜的視圖關(guān)系。因此,本文圍繞“多視圖特征選擇與降維方法及其應(yīng)用研究”這一主線來(lái)開(kāi)展,針對(duì)研究中存在的問(wèn)題,主要提出了以下四個(gè)創(chuàng)新方法：(1)一種聯(lián)合局部與全局分析的多視圖特征選擇方法(Multiview feature selection method via joint local PAttern-Discrimination And global Label-relevance analysis,簡(jiǎn)稱mPadal)。為了解決視圖間有區(qū)別的特征選擇問(wèn)題(現(xiàn)有多視圖特征選擇方法僅選擇與類別最相關(guān)的特征),我們引入視圖間有區(qū)別的特征評(píng)價(jià)標(biāo)準(zhǔn),提出了聯(lián)合局部與全局分析的多視圖特征選擇方法nPadal。具體地,局部選擇階段從樣本差異性角度出發(fā)來(lái)選取視圖間有區(qū)別的特征,有助于提高視圖間的互補(bǔ)性。而在全局選擇階段通過(guò)衡量所有特征的類別相關(guān)性來(lái)選擇具有判別性的特征(能夠較好地區(qū)分不同類別),對(duì)應(yīng)問(wèn)題被建模為帶約束的二次規(guī)劃問(wèn)題。通過(guò)實(shí)驗(yàn)結(jié)果分析,所提方法nPadal在多角度行為識(shí)別數(shù)據(jù)集IXMAS中取得了比基準(zhǔn)方法更出色的結(jié)果,同時(shí)也驗(yàn)證了通過(guò)mPadal選取的特征在視圖間的分類任務(wù)中具有互補(bǔ)作用。(2)一種基于矩陣低秩的稀疏多視圖特征選擇方法(Multiview Rank Minimization-based Lasso,簡(jiǎn)稱MRM-Lasso)�，F(xiàn)有多視圖特征選擇方法僅從視圖層考慮,通過(guò)給每個(gè)視圖的所有樣本賦予相同且固定的權(quán)重來(lái)衡量視圖間的關(guān)系,然而,通常不同樣本具有不同的判別能力。我們引入對(duì)樣本的重要性衡量,提出一種基于矩陣低秩的多視圖特征選擇方法MRM-Lasso,通過(guò)矩陣低秩和稀疏假設(shè)來(lái)聯(lián)合衡量視圖層、樣本層與特征層的重要性。具體地,我們首次將Lasso擴(kuò)展應(yīng)用到多視圖稀疏特征選擇任務(wù)中；并引入不同視圖的示例權(quán)重,通過(guò)低秩假設(shè)來(lái)挖掘視圖間示例的相關(guān)性。同時(shí),采用基于交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)的交替優(yōu)化策略來(lái)解決樣本與特征聯(lián)合分析的優(yōu)化問(wèn)題。通過(guò)實(shí)驗(yàn)結(jié)果分析,MRM-Lasso在多角度行為識(shí)別數(shù)據(jù)集IXMAS中能夠獲得比已有基準(zhǔn)方法更優(yōu)異的分類表現(xiàn)。更重要的是,MRM-Lasso學(xué)得的示例權(quán)重能夠探索多視圖數(shù)據(jù)中不同視圖與不同示例的判別性,對(duì)真實(shí)的復(fù)雜數(shù)據(jù)分析提供重要參考依據(jù)。(3)一種基于稀疏低秩表示的多視圖缺失樣本恢復(fù)方法(Sparse low-Rank Representation on multiview common Subspace,簡(jiǎn)稱SRRS),以及三種具體的不完整多視圖數(shù)據(jù)降維方法�，F(xiàn)有的多視圖數(shù)據(jù)降維方法處理視圖樣本缺失的多視圖數(shù)據(jù)低效。為了解決這一問(wèn)題,我們提出了缺失樣本恢復(fù)方法SRRS。具體地,引入稀疏低秩學(xué)習(xí)來(lái)衡量視圖內(nèi)樣本間的相關(guān)性,并通過(guò)公共子空間學(xué)習(xí)來(lái)捕獲視圖間樣本的相關(guān)性,目的是盡可能地利用給定觀測(cè)數(shù)據(jù)來(lái)恢復(fù)多視圖缺失樣本。為了驗(yàn)證所提方法SRRS的性能,在其基礎(chǔ)上分別提出了基于圖嵌入的不完整多視圖子空間學(xué)習(xí)方法(Multiview subspace learning via Graph Embedding,簡(jiǎn)稱SRRS-MGE)�；�于結(jié)構(gòu)稀疏的不完整多視圖聚類方法(Multiview clustering via Structured Sparsity,簡(jiǎn)稱SRRS-MSS)以及基于秩最小化的不完整多視圖特征選擇方法(Multiview feature selection via Rank Minimization,簡(jiǎn)稱SRRS-MRM)。通過(guò)分別在多角度行為識(shí)別與多模態(tài)腦影像診斷兩種典型應(yīng)用上的實(shí)驗(yàn)驗(yàn)證,說(shuō)明了SRRS解決不完整多視圖降維問(wèn)題的有效性。同時(shí),也表明了聯(lián)合使用稀疏與低秩學(xué)習(xí)的表現(xiàn)比單獨(dú)使用稀疏學(xué)習(xí)或低秩學(xué)習(xí)更優(yōu)異。(4)一種基于組結(jié)構(gòu)的多視圖在線子空間學(xué)習(xí)方法(Online Multiview subspacE Learning via group structure,簡(jiǎn)稱OMEL).現(xiàn)有的多視圖子空間學(xué)習(xí)方法處理具有時(shí)序關(guān)系的多視圖數(shù)據(jù)低效。為了解決這一問(wèn)題,我們提出基于組結(jié)構(gòu)的多視圖在線子空間學(xué)習(xí)方法OMEL。具體地,考慮到在線多視圖數(shù)據(jù)的組結(jié)構(gòu)會(huì)隨著時(shí)間的推移而不斷變化,我們引入組結(jié)構(gòu)稀疏與組間隔約束,來(lái)要求學(xué)得的子空間表示與以往子空間表示保持原有的成組結(jié)構(gòu)。同時(shí),對(duì)于子空間模型在線更新,通過(guò)保存當(dāng)前時(shí)刻的組信息與變換矩陣,避免對(duì)以往數(shù)據(jù)的重復(fù)處理。為了解決OMEL的優(yōu)化問(wèn)題,我們?cè)O(shè)計(jì)了有效的交替優(yōu)化策略,并使用貪婪的坐標(biāo)下降算法快速求解視圖間公共的低維表示。最后,我們將所提方法應(yīng)用于運(yùn)動(dòng)目標(biāo)跟蹤問(wèn)題,通過(guò)在15個(gè)基準(zhǔn)視頻序列中的定性和定量的實(shí)驗(yàn)評(píng)估,充分說(shuō)明了所提方法OMEL對(duì)解決目標(biāo)形變、背景復(fù)雜、目標(biāo)遮擋與光照變化等問(wèn)題的有效性與魯棒性。同時(shí),實(shí)驗(yàn)結(jié)果表明在OMEL中學(xué)習(xí)變化的組結(jié)構(gòu)有助于提升目標(biāo)跟蹤的精度。

  本文關(guān)鍵詞：多視圖特征選擇與降維方法及其應(yīng)用研究，由筆耕文化傳播整理發(fā)布。