图像特征分析与修复
图像在具有几何方向性的小框架系统分解下,提取与分析完备空间中多频带图像局部高频特征信息。
![5fb0e0f641cd9.png](/__local/D/A3/06/445A4B98EF3C3EF59DBB11F4AB0_AF167BF3_24242.png?e=.png)
视频的超分辨率重建处理
构造出能够检测图像边缘不同方向变化特征的样条几何小框架系统,应用于图像还原、超分辨重建等领域。
![5fb0e0ffe3985.png](/__local/0/5B/EB/30E7D1F1C0BECE3629E28D93603_B25A9267_31965.png?e=.png)
并行磁共振成像pMRI重建与分析
构造出具有方向性的八领域小框架系统,提取图像八领域每个方向的图像特征,具有更少的计算复杂度,应用于pMRI重建算法。基于磁共振成像数据和基因组学数据,建立深度典型相关分析模型,分析MRI数据与基因组数据之间的关联,推断出与疾病发生发展密切相关的变化。
![5fb0e10911fc5.png](/__local/1/13/AB/47AE8BA437606E8C0FBE0006000_972F0869_8BC30.png?e=.png)
面向超高维数据的子空间学习方法
多媒体内容分析中所获取的数据常呈现出超高维的特性,数据的特征维度会远大于总体样本数目。针对这一问题,我们研究多层子空间集成学习方法,学习超高维数据的多层子空间结构,并对各层子空间的学习结果进行融合,以获得数据的整体学习结果。
![5fb0e4fcd896a.png](/__local/4/0A/CF/08C140265B1EB42F608C8162029_41805A81_ACCE9.png?e=.png)
深度多模相似函数学习
针对媒体数据特征的多样性,利用深度学习模型,构建基于多模特征的深度相似函数学习方法。该方法结合多深神经网络,融合多模特征信息,有效解决媒体数据样本相似性度量的问题。
![5fb0e68b6005b.png](/__local/0/0E/D0/7DBD5D71CFA535B54D61C8372DD_6BA04337_B312D.png?e=.png)
图像来源取证的机器学习方法
针对在图像安全问题中由设备与环境差异所造成的源域与目标域特征分布不一致及目标域样本吝乏的问题,采用通信信道模型与迁移学习方法对特征空间进行映射及正则化,从而解决图像安全中的关键问题。
![5fb0e6cc59808.png](/__local/D/6F/BC/28A445A4D93C94441FBFB9D6262_54504F11_84299.png?e=.png)