深层结构学习方法研究及其在对象识别中的应用

深层结构是指由多个层次非线性操作组成的学习模型。近年来，深层结构学习的研究取得了突破性进展，提出了深层置信网络和自动编码器栈等重要的深层结构。这些深层结构学习的核心思想是进行非监督分层预训练。深层结构学习已经在手写数字识别等一系列问题上取得了代表当今水平的结果，但仍然处于初级研究阶段。本项目将主要研究非监督分层预训练的本质、新的非监督学习方法的应用、深层结构提取的各层特征的可视化、各层特征的不变性与共享性等性质、适合于计算机视觉应用的深层结构设计、新型分层与整体优化方法等问题，并探讨深层结构学习在对象识别和图像分割中的应用。

深度学习是研究深层结构学习模型的一系列方法的总称。近年来，深度学习取得了突破性进展，提出了深层信念网(Deep Belief Networks， DBN)和自动编码器栈（Auto-Encoder Stack）等一些重要的深度学习算法，这些算法的核心思想是进行非监督分层预训练。深度学习已经在图像识别、语音识别等一系列问题上取得了比传统方法明显要好的结果，在学术界和产业界都产生了很大的影响，但总的来说仍处于初级阶段。项目执行期间, 项目组的工作大致按照原计划进行，在非监督分层特征学习模型、深层信念网的训练、深度学习和对象识别中的不变性、分界面的分段线性近似、最优深度核的构造、深度学习与图像场景理解、用深度图像进行室内场景理解和对象识别、基于深度图像的人体姿态识别等方面取得了一些研究成果。