报告题目：特征自学习的鲁棒非凸非光滑稀疏表示分类算法研究

报告时间：2016年11月29日，15：30

报告地点：郁文楼A102会议室

报告人：郑建炜

报告人简介：

郑建炜，博士，副教授，主要研究方向为数据分析、机器学习、模式识别。2010年6月获得浙江工业大学工学博士学位（导师：王万良教授），同年7月留校在计算机科学与技术学院任教。主持1项国家自然科学基金，主持2项浙江省自然科学基金，参与国家级项目5项，省部级项目2项，获得浙江省科技进步二等奖和吴文俊人工智能科技进步一等奖；以第一作者或通信作者身份在《Neurocomputing》、《Visual Computer》、《Applied Intelligence》、《自动化学报》、《计算机研究与发展》等国内外学术刊物与会议中发表论文28篇；出版发行专著1部；获得国家授权发明专利11项，实用新型专利1项，第一作者软件著作权14项。 

报告内容：

噪声污染下的数据分类问题是大数据时代一个极具挑战性的课题。基于稀疏表示的分类方法是该领域的前沿方法之一，其主要特点是利用数据的先验结构对误差和系数建模，具有极大的灵活性和天然的鉴别性；然而，在实际非受控环境下，其性能往往因噪声类型的不同而有很大差别。本项目提出特征自学习的鲁棒非凸非光滑稀疏表示分类框架：兼顾样本间空间分布结构和特征本身的差异性结构，使算法兼具保局性和抗噪性；将特征权值引入目标代价函数，针对混合噪声自适应地选取误差度量算子；深入探讨各种非凸非光滑函数，将其作为表示系数的先验约束，提升算法的稀疏性和鲁棒性；提出迭代重约束梯度法进行模型优化，混合求解特征权值和表示系数，具有快速收敛性且能广泛地应用于各类凸优化或非凸优化问题。通过该研究实现面向混合噪声干扰的鲁棒稀疏分类算法，能广泛地应用于视频目标跟踪、有遮挡的人脸识别、超光谱图像分类等热点领域。