基于超图的大数据属性学习研究

Along with the rapid development of information technology and the significant advancement of artificial intelligence, the people cannot be just simply satisfied with the computer vision techniques, which only can detect or recognize objects from the visual information, such as image and video. Now, the people are more eager for the new techniques which can more deeply understand the visual information from the perspective of visual semantics. Attribute is an important tool for depicting the property or relation of an object via using human language. So analyzing and learning the attributes in visual information is one of the important paths towards the solution of the visual semantic analysis. Attribute learning is a task which utilizes the computer vision and machine learning techniques to learn the attributes from visual information. It is a very important and challenging task in computer vision community recently. The era of big data is coming. In such case, the conventional attribute learning approaches face three new crucial issues: large-scale data processing, the lack of the label information and data noise. Based on our relevant previous work, the applicant intend to leverage the semi-supervised hypergraph learning theory to study the efficient construction way of robust regression-based hypergraph, the metric of attribute prediction errors and the sparsity constraint of attribute relation on the basis of the attribute distribution characteristic for presenting a robust and efficient semi-supervised attribute learning model to address the aforementioned issues.

随着信息技术的迅猛发展以及人工智能技术的不断精进，人们已不仅仅简单满足于从视觉信息中识别出物体，而将致力于开发新的计算机视觉技术从而能够从语义层次上更深刻地理解视觉信息。属性是人类利用语言描绘事物特性及关系的重要工具，因此分析并学习视觉信息中的属性是实现视觉语义分析一条重要途径。属性学习旨在利用计算机视觉与机器学习技术从视觉信息中学习出信息中所蕴含的属性信息,它是当前非常重要且具有挑战性的研究课题之一。随着大数据时代的来临，现有属性学习方法面临着新的问题：海量数据处理、有监督信息缺乏以及数据噪声。本项目从申请人前期相关工作出发，针对大数据下属性学习的这三大问题，拟利用半监督超图学习理论，研究基于回归模型的鲁棒超图快速构建方法，针对属性分布特点，研究属性预测误差度量并引入属性关系的稀疏性约束，从而构建鲁棒、高效的半监督属性学习模型。

大数据属性学习面临着海量数据处理、有监督信息缺乏、数据噪声问题。本课题从这三个问题入手，在图与超图学习、深度学习等理论基础上，结合近年来相关领域的前沿技术，研究高效鲁棒回归模型、半监督超图学习，提出基于回归模型的超图学习框架、协同表示引导的图学习等一系列鲁棒的无监督、半监督、有监督学习方法；利用图卷积网络充分融合属性分布特征以及属性语义特征，提出可分解图卷积网络模型以更好地解决的大数据属性学习问题；结合生成网络、对抗攻击、度量学习等前沿技术研究基于属性的零样本学习及其鲁棒性，提出类原型判别网络以及鲁棒双向生成网络。在前面研究成果的基础上，课题组还开展目标检测与图像语义分析方面的应用研究，开发相应的原型软件系统。..通过基金委对本课题的资助，课题负责人得以迅速成长（晋升副教授），形成了具有自身特色的研究队伍，在一定程度上解决了基于超图与图学习理论在属性学习与零样本学习在鲁棒性与性能上的一些局限性，完成了预期目标。本课题组共发表论文10篇（其中SCI检索论文7篇，EI检索国际会议论文3篇，CCF推荐论文6篇），申请发明专利与软件著作权共计3项，协助或独立培养博士生2名、硕士生3名。