《高维图谱数据的低维表达与认知理论研究》

高精度的图谱数据处理是人工智能学科的关键技术之一。高维图谱数据波段数目达到数百甚至上千、目标分布于亚像元、背景光谱复杂多变,成为视觉数据处理领域公认的难点。在国家973计划、国家自然科学基金、湖北省自然科学基金等项目的支持下,项目团队围绕“高维数据特征表达不好、亚像元目标探测不到、异常变化识别不了”的问题,开展了系统深入的研究工作,取得了创新性研究成果,其主要科学发现如下:

1、适应高维图谱数据的张量特征表达理论。针对高维图谱数据特征维数高、多域特征复杂异构、语义鸿沟等问题,该研究揭示了高维图谱数据特征一体化张量表达的数据分析方式,建立了张量流形空间中的判别多维线性投影框架,原创性地构建了空间光谱等多域特征表示与特征融合理论,实现了面向张量表达的高维图谱数据分析方法体系,显著提升了高维图谱数据智能信息提取与分析的能力,缓解了高维数据特征表达不好导致的信息提取精度下降,在复杂地区分类问题中精度提升近10%(总体精度从61.68%提高到71.22%)。

2、亚像元尺度高维图谱弱小目标探测理论。针对高维图谱数据目标数目少、亚像元分布、光谱信号弱等问题,该研究揭示了弱小目标拓扑结构、统计特征、光谱特征上分布的规律,建立了基于有限训练样本的动态子空间学习的新式目标探测理论和基于二元假设的稀疏表示探测理论,突破了空间分辨率对目标探测的限制,解决了高维图谱数据分辨率限制导致的亚像元目标探测不到的难题,在虚警率恒定为10^-3(10的负3次方)情况下弱小目标探测率提升30%(弱小目标探测率从50%提高到80%)。

3、时空连续高维图谱数据异常识别理论。针对高维图谱数据背景光谱信息复杂、统计特征不明显、时空差异较大的问题,该研究揭示了异常目标与背景的统计特征本质差异,建立了高维图谱数据“光谱-时空”背景分布表达与异常探测的理论模型,构建了基于子空间的高维图谱数据变化检测方法,原创性地利用局部背景构建的思想来解决异常变化检测问题,解决了背景光谱信息复杂、时空差异较大导致的异常变化识别不了的难题,在虚警率恒定为10^-3(10的负3次方)情况下异常探测能力提高超过4倍(异常目标探测率从20%提高到85%)。

项目发表SCI论文111篇,ESI高引或热点论文15篇,高维图谱数据处理方向国内排名第一。8篇代表作SCI总他引615次,含ESI高引论文7篇,热点论文3篇。授权发明专利9项。研究工作被3位中科院/工程院院士、23位SPIE/AAAI/IEEE Fellow等给予正面评价。中国高光谱遥感奠基人童庆禧院士评论该项目提出的异常目标探测方法“⋯在国际上首次引入随机采样理论对背景信息进行估计⋯”;IEEE Fellow、IEEE GRSS前主席M.Crawford教授评论该项目特征提取方法“⋯为处理遥感大数据中的挑战性问题打开了大门”(“⋯open the doors for tackling further challengingproblems”);IEEE Fellow国际模式识别学会遥感分会主席Qian Du教授评论该项目提出的弱小目标探测方法是一种高光谱目标探测的“⋯新的里程碑算法”(“⋯one milestone algorithm”)。项目论文获得人工智能顶会IJCAI的杰出论文奖、高光谱图像处理顶会IEEE WHISPERS最佳论文奖、数据挖掘顶会IEEE ICDM DELL workshop最佳论文奖和IEEE ICDM研究贡献奖。另外,项目成果在三峡库区地质灾害监测、长江水环境监测、湖北省土地利用规划等领域得到应用,开发的高维图谱数据处理系统被长江水利委员会评价为“精度和质量明显优于美国ERDAS公司的遥感图像水环境信息处理系统”。

  1. 下载详细PDF版/Doc版

提示:为方便大家复制编辑,博主已将PDF文件制作为Word/Doc格式文件。