數據驅動圖像處理中基於圖像屬性的樣例集選擇與學習

《數據驅動圖像處理中基於圖像屬性的樣例集選擇與學習》是依託大連理工大學,由樊鑫擔任項目負責人的面上項目。

基本介紹

• 中文名：數據驅動圖像處理中基於圖像屬性的樣例集選擇與學習
• 依託單位：大連理工大學
• 項目類別：面上項目
• 項目負責人：樊鑫

項目摘要

具有海量、多樣和非結構化特點的圖像/視頻數據大量湧現，給上世紀50年代以來的經典圖像處理手段帶來極大挑戰。本世紀初興起的數據驅動圖像處理，藉助機器學習從樣例集學習反映圖像屬性的先驗模型，極大提升了經典圖像處理方法的性能。然而，數據驅動圖像處理方法的性能和適應性嚴重依賴於訓練樣例的選擇，目前尚未有從大量圖像數據中自動學習訓練樣例集的系統研究：在圖像處理領域，常規思路僅根據特定任務、特定對象人工選擇訓練集；機器學習領域針對分類任務，選擇非圖像樣例集，其數據維度與任務複雜性與圖像差異很大。本項目從特定的圖像增強、圖像對齊到通用圖像處理，從直觀的圖像表觀屬性、幾何屬性到抽象的圖像內在屬性（如稀疏和低秩）等3個方面，深入研究訓練樣例集自動選擇和學習方法。通過項目研究，探索建立適應多樣任務的統一圖像樣例集選擇與學習框架，以獲得相應高性能處理算法，並在一定程度上豐富機器學習領域數據選擇的相關理論和實踐。

結題摘要

本世紀初興起的數據驅動圖像處理，藉助機器學習從樣例集學習反映圖像屬性的先驗模型，極大提升了經典圖像處理方法的性能。然而，數據驅動圖像處理方法的性能和適應性嚴重依賴於訓練樣例的選擇，目前尚未有從大量圖像數據中自動學習訓練樣例集的系統研究：在圖像處理領域，常規思路僅根據特定任務、特定對象人工選擇訓練集；機器學習領域針對分類任務，選擇非圖像樣例集，其數據維度與任務複雜性與圖像差異很大。本項目針對圖像去霧、去模糊，三維重構，無監督深度估計，深度神經網路理論研究這四個方面，重點研究基於“知識”+“數據”的圖像除霧、去模糊模型，基於不變特徵基本理論的三維重構模型，基於深度估計的無監督深度學習架構模型，以及具有數學原理支持和保證的深度神經網路模型。