基于稀疏表示和流形理论的半监督分类研究

With the development of science and technology, people can conveniently get various kinds of data, but it is usually difficult to obtain large quantities of labeled data. Semi-supervised classification can utilize labeled and unlabeled data simultaneously to train the classifier, and has become one of the hottest methods in data analysis field. In this project, we plan to focus on two important issues in semi-supervised classification. (1) For the model assumption problem, we plan to propose the sparsity based model assumption and study its rationality. Then, construct the sparsity based semi-supervised classification method that has explicit expression for general natural data, to break through the limitation of existing sparsity based classification methods when facing non-image data. (2) For the application of semi-supervised classification on low-quality images based face recognition, we desire to combine the local manifold feature of data with the global sparsity feature, and make use of discriminant dictionary learning to get the sparse representation of low-quality images; then build the classifier that is robust with image noise and occlusion. The desired achievements will not only promote the development of semi-supervised classification in theory, but also in practice extend the ability that applying semi-supervised learning to low-quality images. Therefore, this project has important theoretical value and application prospects.

科学技术的发展使人们能够方便快捷地获取各种数据，但要获取大量有类别标签的数据则比较困难。半监督分类能充分利用少量有标签数据与大量无标签数据进行分类，是近年来数据分析领域中的热点方法之一。本项目拟针对半监督分类中的两个重要问题进行研究，(1)针对半监督分类的模型假设问题，拟提出稀疏化模型假设并研究其合理性，同时突破现有稀疏分类方法面对非图像数据时的局限性，提出针对一般自然数据的，具有显性表达式的稀疏半监督分类方法；(2)针对半监督分类在低质量图像人脸识别中的应用问题，拟将图像数据局部流形特征与全局稀疏特征相结合，提出判别性的字典学习方法来获得数据稀疏表示，进而构造对图像噪声及遮挡问题有较好稳健性的半监督分类方法。所获结果将不仅在理论层面促进半监督分类的发展，也有望在应用层面扩展半监督分类方法对低质量图像数据的适用能力，因而具有重要的理论意义与应用前景。

大数据时代的到来使人们能够方便快捷地获取海量数据，但获取大量的有类别标签的数据比较困难。半监督分类能同时利用有标签数据与无标签数据训练分类器，是数据挖掘领域中的一个热门研究方向。本项目针对半监督分类展开研究，取得的研究成果包括：(1) 在半监督分类的模型假设及算法构造方面，基于仿射子空间稀疏化模型假设构造了稀疏编码问题并提出求解算法；然后利用稀疏表示中蕴含的判别信息构造了具有显性非线性表达式的半监督分类方法，该方法对人脸识别问题具有较好的效果；(2) 在针对分类问题的特征选择方面，基于广义Fisher score与自适应的特征子空间模型提出一种快速的前向顺序选择策略，利用所选特征进行分类可获得较高的准确率；(3) 在基于人眼图像的视线追踪方面，在一个红外摄像机和三个红外光源的条件下，将人眼图像变换到标准化图像进行视线估计，有效解决了头部运动对视线估计的影响；(4) 在异常值检测方面，基于Bayesian方法同时实现了参数估计和异常值检测，避免了二者相互影响；(5) 在异常值检测方面，根据异常值对残差平方和的影响关系提出了一种检测异常值并估计异常值大小的方法。本项目共发表5篇论文，其中SCI期刊论文1篇，EI期刊论文1篇，中文核心期刊论文2篇。此外，培养2名研究生，并安排了国内交流互访。达到了课题的预期研究成果。所获结果能在一定程度上帮助促进半监督分类的发展，具有较好的理论意义与应用前景。