多視圖數(shù)據(jù)能夠從多個方面刻畫對象的特征,從多視圖數(shù)據(jù)中往往能夠比從單視圖數(shù)據(jù)中獲取到更多的有用信息,近年來多視圖特征學(xué)習(xí)技術(shù)受到研究者的廣泛關(guān)注。多視圖數(shù)據(jù)既存在互補(bǔ)性又存在冗余性,如何從多視圖數(shù)據(jù)中充分地挖掘鑒別信息是多視圖學(xué)習(xí)特征技術(shù)應(yīng)用于分類任務(wù)時的關(guān)鍵問題。面對海量的多視圖數(shù)據(jù),只有少量的多視圖數(shù)據(jù)是有標(biāo)記數(shù)據(jù),大量的多視圖數(shù)據(jù)都是未經(jīng)標(biāo)注的無標(biāo)記數(shù)據(jù),如何利用珍貴的有標(biāo)記多視圖數(shù)據(jù)和大量的無標(biāo)記多視圖數(shù)據(jù)來有效地完成多視圖特征學(xué)習(xí)是非常值得研究的問題。針對上述問題,本文對多視圖特征學(xué)習(xí)技術(shù)進(jìn)行了深入系統(tǒng)地研究,主要研究成果如下:一、針對在多視圖特征學(xué)習(xí)中如何有效地使用樣本標(biāo)記信息促進(jìn)鑒別特征的提取問題,提出了兩個有監(jiān)督多視圖鑒別特征學(xué)習(xí)方法,包括:多視圖鑒別不相關(guān)投影分析(MDUPA)方法和多視圖完整鑒別空間學(xué)習(xí)(MIDSL)方法。MDUPA方法定義了一種有監(jiān)督相關(guān)性,即:鑒別相關(guān)性,來描述不同視圖異類樣本的不利特征的相關(guān)性。MDUPA方法在對每個視圖數(shù)據(jù)實施鑒別分析的基礎(chǔ)上,從相關(guān)性分析的角度進(jìn)一步利用樣本的類別標(biāo)記信息來挖掘鑒別信息。MIDSL方法基于樣本的多視圖數(shù)據(jù)學(xué)習(xí)能夠全面描述樣本特性的完整特征表示,并通過Fisher鑒別準(zhǔn)則利用樣本的類別標(biāo)記信息來增強(qiáng)樣本的完整特征表示的鑒別能力。此外,MIDSL方法還將Cauchy損失用于構(gòu)建特征學(xué)習(xí)模型以增強(qiáng)模型對離群點和噪聲的魯棒性。在公開數(shù)據(jù)集上的實驗表明,這兩個方法能夠在類別標(biāo)記信息的幫助下充分地挖掘鑒別信息。二、針對在多視圖特征學(xué)習(xí)中如何有效地使用有標(biāo)記和無標(biāo)記樣本促進(jìn)鑒別特征的提取問題,提出了兩個半監(jiān)督多視圖鑒別特征學(xué)習(xí)方法,包括:半監(jiān)督多視圖相關(guān)性鑒別分析(SMCDA)方法和半監(jiān)督多核完整鑒別空間學(xué)習(xí)(SMKIDSL)方法。SMCDA方法通過對有標(biāo)記和無標(biāo)記訓(xùn)練樣本的多視圖數(shù)據(jù)實施視圖內(nèi)和視圖間鑒別相關(guān)性分析來充分地挖掘鑒別信息。SMCDA方法通過一個實數(shù)變量將基于矩陣變量的非凸目標(biāo)函數(shù)轉(zhuǎn)化成凸二次規(guī)劃問題,能夠使目標(biāo)函數(shù)獲得全局最優(yōu)的解析解并避免繁重的迭代計算。SMKIDSL方法能夠協(xié)同地利用有標(biāo)記和無標(biāo)記樣本的多視圖數(shù)據(jù)為樣本對象學(xué)習(xí)完整特征表示,并通過多核學(xué)習(xí)策略、鑒別相關(guān)性分析和l_(2,1)范數(shù)正則回歸策略來進(jìn)一步增強(qiáng)完整特征表示的鑒別性。SMKIDSL方法還設(shè)計了一種多視圖協(xié)同學(xué)習(xí)方案使不同的視圖在半監(jiān)督多視圖特征學(xué)習(xí)中能夠貢獻(xiàn)合適的有用信息。在公開數(shù)據(jù)集上的實驗表明,這兩個方法可以有效地從有標(biāo)記和無標(biāo)記訓(xùn)練樣本的多視圖數(shù)據(jù)中挖掘鑒別信息。三、針對如何從廣義多視圖數(shù)據(jù)中有效地提取鑒別特征問題,提出了一個有監(jiān)督深度多視圖鑒別特征學(xué)習(xí)方法,即:魯棒有監(jiān)督深度離散哈希(RSDDH)方法。RSDDH方法能夠利用深度學(xué)習(xí)技術(shù)學(xué)習(xí)更好地兼容跨視圖檢索任務(wù)的特征,并利用基于l_(2,1)范數(shù)的特征選擇策略選擇更優(yōu)秀的特征用于生成二進(jìn)制哈希編碼。此外,RSDDH方法通過實施視圖間和視圖內(nèi)一致性保持策略來縮小視圖之間的差異、提升二進(jìn)制哈希編碼的鑒別能力。RSDDH方法還使用提出的基于奇異值分解的離散哈希算法來確保待求解的未知離散哈希變量能夠得到有效求解。在公開數(shù)據(jù)集上的實驗表明,RSDDH方法能夠比有代表性的淺層跨視圖哈希檢索方法和深度跨視圖哈希檢索方法取得更好的檢索性能,這也驗證了RSDDH方法的有效性。
【學(xué)位單位】：南京郵電大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2018
【中圖分類】：TP391.41;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 小米;;818型海警巡邏艦多視圖[J];軍事文摘;2016年18期

2 田澤;楊明;陳哲;石愛業(yè);;基于視圖內(nèi)字典原子不一致的多視圖字典學(xué)習(xí)算法[J];南京信息工程大學(xué)學(xué)報(自然科學(xué)版);2019年03期

3 段桂江;孫飛;唐曉青;;集成質(zhì)量系統(tǒng)與企業(yè)資源計劃系統(tǒng)的多視圖融合機(jī)制研究[J];計算機(jī)集成制造系統(tǒng);2005年12期

4 鄧強(qiáng);楊燕;王浩;;一種改進(jìn)的多視圖聚類集成算法[J];計算機(jī)科學(xué);2017年01期

5 羅愛民;羅雪山;黃力;;基于多視圖的信息系統(tǒng)體系結(jié)構(gòu)描述方法研究[J];計算機(jī)科學(xué);2007年02期

6 李波;趙健康;戴金海;;飛行器設(shè)計并行工程中多視圖響應(yīng)分析[J];計算機(jī)仿真;2006年09期

7 胡樹根,李漲生,卓守鵬,董進(jìn);一種基于約束的多視圖尺寸驅(qū)動方法及實現(xiàn)[J];中國機(jī)械工程;1998年07期

8 石艷玲;單文檔多視圖的多種實現(xiàn)方式[J];計算機(jī)應(yīng)用研究;1999年10期

9 洪敏;賈彩燕;李亞芳;于劍;;樣本加權(quán)的多視圖聚類算法[J];計算機(jī)研究與發(fā)展;2019年08期

10 邱立坤;金澎;王厚峰;;基于依存語法構(gòu)建多視圖漢語樹庫[J];中文信息學(xué)報;2015年03期

相關(guān)會議論文 前8條

1 張秀芬;裴承慧;胡志勇;;在OpenGL中實現(xiàn)多視圖表示[A];第十四屆全國圖學(xué)教育研討會暨第六屆制圖CAI課件演示交流會論文集（下冊）[C];2004年

2 趙旭;劉克;吳威;;多視圖三維重建技術(shù)和不確定問題[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

3 唐帥;項志宇;馬子昂;;基于多視圖一致性低秩稀疏學(xué)習(xí)的視頻目標(biāo)跟蹤[A];浙江省信號處理學(xué)會2015年學(xué)術(shù)年會論文集[C];2015年

4 葛冰峰;陳英武;廖良才;舒宇;;基于多視圖的武器裝備體系結(jié)構(gòu)描述方法研究[A];和諧發(fā)展與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第十五屆年會論文集[C];2008年

5 李誠;陳志軍;;基于多視圖像的巖心三維建模與虛擬展示初探[A];第十三屆全國數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會論文集[C];2014年

6 張巖;楊冬青;唐世渭;;Web倉儲中的多視圖一致性維護(hù)[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2002年

7 張強(qiáng);梁奎;陳志軍;;多視圖立體視覺的巖礦手標(biāo)本三維重建與三維交互設(shè)計[A];第十三屆全國數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會論文集[C];2014年

8 顏志軍;;基于UML的多視圖動態(tài)企業(yè)模型框架研究[A];全國第八屆工業(yè)工程與企業(yè)信息化學(xué)術(shù)會議論文集[C];2004年

相關(guān)博士學(xué)位論文 前10條

1 王強(qiáng);多視圖機(jī)器學(xué)習(xí)分類及聚類算法研究[D];國防科技大學(xué);2018年

2 韓璐;多視圖的子空間學(xué)習(xí)及在圖像分類中的應(yīng)用研究[D];南京郵電大學(xué);2018年

3 董西偉;有監(jiān)督和半監(jiān)督多視圖特征學(xué)習(xí)方法研究[D];南京郵電大學(xué);2018年

4 王岳青;多視圖學(xué)習(xí)算法和應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2017年

5 朱信忠;多視圖聚類算法研究[D];西安電子科技大學(xué);2018年

6 周彬;多視圖視覺檢測關(guān)鍵技術(shù)及其應(yīng)用研究[D];浙江大學(xué);2019年

7 吳飛;多視圖特征學(xué)習(xí)方法研究[D];南京郵電大學(xué);2016年

8 沈肖波;多視圖嵌入學(xué)習(xí)方法及其應(yīng)用研究[D];南京理工大學(xué);2017年

9 錢強(qiáng);復(fù)雜場景下的多視圖學(xué)習(xí)方法研究[D];南京航空航天大學(xué);2013年

10 李晉;基于多視圖鑒別特征學(xué)習(xí)的分類算法[D];中國礦業(yè)大學(xué)(北京);2016年

相關(guān)碩士學(xué)位論文 前10條

1 何云;面向多視圖數(shù)據(jù)的降維與聚類算法研究[D];南京師范大學(xué);2019年

2 胡夢磊;不完整多視圖聚類[D];南京航空航天大學(xué);2019年

3 姬名書;基于稀疏嵌入框架的不完全多視圖聚類[D];南昌大學(xué);2019年

4 周揚;纜索表面圖像拼接與多視圖重建研究[D];哈爾濱工業(yè)大學(xué);2019年

5 陳東皓;車輛檢測和識別系統(tǒng)的設(shè)計與實現(xiàn)[D];中國電子科技集團(tuán)公司電子科學(xué)研究院;2019年

6 黃靜;加權(quán)多視圖子空間聚類算法研究[D];廣東工業(yè)大學(xué);2019年

7 孫銘陽;基于語義表示的多視圖短文本序列分類研究[D];大連理工大學(xué);2019年

8 仇希如;基于非負(fù)矩陣分解的多視圖特征學(xué)習(xí)研究[D];大連理工大學(xué);2019年

9 殷勤;多視圖歸納矩陣補(bǔ)全算法及應(yīng)用研究[D];南京郵電大學(xué);2019年

10 龐石偉;多視圖數(shù)據(jù)分類研究[D];西安電子科技大學(xué);2019年

本文編號：2812375