论文部分内容阅读
多视图数据能够从多个方面刻画对象的特征,从多视图数据中往往能够比从单视图数据中获取到更多的有用信息,近年来多视图特征学习技术受到研究者的广泛关注。多视图数据既存在互补性又存在冗余性,如何从多视图数据中充分地挖掘鉴别信息是多视图学习特征技术应用于分类任务时的关键问题。面对海量的多视图数据,只有少量的多视图数据是有标记数据,大量的多视图数据都是未经标注的无标记数据,如何利用珍贵的有标记多视图数据和大量的无标记多视图数据来有效地完成多视图特征学习是非常值得研究的问题。针对上述问题,本文对多视图特征学习技术进行了深入系统地研究,主要研究成果如下:一、针对在多视图特征学习中如何有效地使用样本标记信息促进鉴别特征的提取问题,提出了两个有监督多视图鉴别特征学习方法,包括:多视图鉴别不相关投影分析(MDUPA)方法和多视图完整鉴别空间学习(MIDSL)方法。MDUPA方法定义了一种有监督相关性,即:鉴别相关性,来描述不同视图异类样本的不利特征的相关性。MDUPA方法在对每个视图数据实施鉴别分析的基础上,从相关性分析的角度进一步利用样本的类别标记信息来挖掘鉴别信息。MIDSL方法基于样本的多视图数据学习能够全面描述样本特性的完整特征表示,并通过Fisher鉴别准则利用样本的类别标记信息来增强样本的完整特征表示的鉴别能力。此外,MIDSL方法还将Cauchy损失用于构建特征学习模型以增强模型对离群点和噪声的鲁棒性。在公开数据集上的实验表明,这两个方法能够在类别标记信息的帮助下充分地挖掘鉴别信息。二、针对在多视图特征学习中如何有效地使用有标记和无标记样本促进鉴别特征的提取问题,提出了两个半监督多视图鉴别特征学习方法,包括:半监督多视图相关性鉴别分析(SMCDA)方法和半监督多核完整鉴别空间学习(SMKIDSL)方法。SMCDA方法通过对有标记和无标记训练样本的多视图数据实施视图内和视图间鉴别相关性分析来充分地挖掘鉴别信息。SMCDA方法通过一个实数变量将基于矩阵变量的非凸目标函数转化成凸二次规划问题,能够使目标函数获得全局最优的解析解并避免繁重的迭代计算。SMKIDSL方法能够协同地利用有标记和无标记样本的多视图数据为样本对象学习完整特征表示,并通过多核学习策略、鉴别相关性分析和l2,1范数正则回归策略来进一步增强完整特征表示的鉴别性。SMKIDSL方法还设计了一种多视图协同学习方案使不同的视图在半监督多视图特征学习中能够贡献合适的有用信息。在公开数据集上的实验表明,这两个方法可以有效地从有标记和无标记训练样本的多视图数据中挖掘鉴别信息。三、针对如何从广义多视图数据中有效地提取鉴别特征问题,提出了一个有监督深度多视图鉴别特征学习方法,即:鲁棒有监督深度离散哈希(RSDDH)方法。RSDDH方法能够利用深度学习技术学习更好地兼容跨视图检索任务的特征,并利用基于l2,1范数的特征选择策略选择更优秀的特征用于生成二进制哈希编码。此外,RSDDH方法通过实施视图间和视图内一致性保持策略来缩小视图之间的差异、提升二进制哈希编码的鉴别能力。RSDDH方法还使用提出的基于奇异值分解的离散哈希算法来确保待求解的未知离散哈希变量能够得到有效求解。在公开数据集上的实验表明,RSDDH方法能够比有代表性的浅层跨视图哈希检索方法和深度跨视图哈希检索方法取得更好的检索性能,这也验证了RSDDH方法的有效性。