大规模稀疏迁移学习理论及其在SAR图像分类中的应用

针对机器学习泛化能力和其应用于SAR图像分类中的瓶颈问题，在研究迁移学习和稀疏表示的基础上，分析迁移学习中的大规模数据计算以及不同任务相关性的最佳特征表示问题，研究了SAR图像分类中目标不完备、多噪声以及动态等特性，提出将迁移学习用于解决复杂背景下的SAR图像分类问题。根据已有的领域先验信息，结合图像特征和压缩感知稀疏表示特性，提出一种迁移判别分析的快速投影追踪学习算法；为了在合理时间内求解大规模图像区域分割问题，设计一种流行正则的特征重要度排序稀疏迁移谱聚类算法；进一步将多个源域知识较好地迁移到异构的目标域，构造一种基于核匹配追踪的快速迁移分布式网络学习算。期望能在解决机器学习大规模和不独立同分布泛化能力差等问题上，有实质性进展，研究成果可应用于军事、民用等相关领域，具有较好的理论和应用价值。

针对机器学习泛化能力和其应用于SAR图像分类中的瓶颈问题，深入研究迁移学习和稀疏表示理论，实现了将迁移学习用于解决复杂背景下的大规模SAR图像的分类问题。主要研究了稀疏迁移学习的基本框架，构造了字典迁移、核匹配追踪迁移和谱聚类迁移等迁移学习方法，有效推动了迁移学习算法的研究进展，在SAR图像的分类的复杂数据上取得了很好的结果。具体讲，本课题建立了一种稀疏迁移学习的模型，以核匹配追踪和谱聚类为代表构造了一种新的迁移分类和的聚类算法，并将其用于SAR图像分类，代表性成果授权发明专利2项，在此基础上，为了进一步将其应用于SAR图像的大规模数据，我们利用并行技术构造了并行稀疏谱聚类算法，相关成果获得省部级科学技术成果奖一等奖一项；提出了一种快速求解大规模图像分割的快速聚类算法，这些算法与原始Nyström谱聚类算法相比，时间复杂度相同，稳定性和准确率大大提高；代表性成果已发表到国际主流期刊上；建立了一种快速迁移分布式网络学习算法，该算法克服了非平衡数据的影响，可以避免过拟合，同时具有不同域或多任务学习的能力。相关成果授权专利1项，获得教育部新技术发明奖二等奖1项，获批软件著作权1项。此外，为进一步满足国防和生命健康的重大需求，我们针对高光谱图像、极化SAR图像和大规模序列医学图像，构造了基于迁移集成算法的高光谱图像分类模型，有效避免了高维数据的海量计算代价，同时提出了一套疏迁移学习的CT序列分割方法，并尝试了其在极化SAR图像中的应用，这些结果使得我们在完善迁移学习理论体系的同时，为多种图像的分类识别开创了一条新的途径。