机器学习中模型选择问题的研究及其在图像理解中的应用

模型选择是机器学习中的一个最基本问题，具有重大的研究和应用价值。现有方法一般采用一些统计准则来选择模型的尺度，但此类方法因重复估计整个模型的参数，因此会导致极大的计算代价。为了提高效率，需要在参数估计的同时设法自动地选择模型的尺度，即"自动模型选择"，这是该领域研究者面临的一个难题，也是本项目研究的重点问题。基于对机器学习中有限混合模型的深入研究，本项目拟探索其自动模型选择的机制。与现有的模型参数估计方法(如极大似然学习)不同，本项目将根据正则理论考虑在似然函数中增加能控制模型复杂度的正则项，在实现自动模型选择的同时规避局部极值点。我们的初步实验结果表明，这种正则的似然学习在非监督图像分割等方面能够取得比现有方法更好的效果。本项目对自动模型选择问题的全面研究将形成一套完整的理论，并能在图像理解（如图像分割、分类等）中得到很好的验证和应用，从而能够推进机器学习理论和图像理解应用的相关进展。