基于機器學習的軟件工程與圖像視頻分析的新問題、新方法研究ppt

1、基于機器學習的軟件工程與圖像視頻分析的新問題、新方法研究,報告人：荊曉遠 jingxy_2000@126.com,Pattern Recognition And Software Engineering,Machine Learning and its Aplication Laboratory,http://mla.whu.edu.cn/,http://coa.njupt.edu.cn/prase/,,,,,1,,近期工作介紹

2、,,Outline,,,,,,,,,基于機器學習的軟件工程技術研究,,,1-1,近期工作介紹: 軟件工程方向,軟件工程方向聚焦于軟件缺陷預測、軟件工作量估計技術。,軟件缺陷預測：Dictionary Learning based Software Defect Prediction, International Conference on Software Engineering (ICSE), 2014【他引40次，成功地將字典學習

3、技術用于低維的缺陷數據分類】Heterogeneous Cross-company Defect Prediction by Unified Metric Representation and CCA-based Transfer Learning, ACM Conference on Foundation of Software Engineering (FSE), 2015【他引33次，與香港科技大學計算機系研究組同時發(fā)現異質缺陷

4、預測問題】An Improved SDA based Defect Prediction Framework for both Within-project and Cross-project Class-imbalance Problems, IEEE Transactions on Software Engineering (TSE), 2017. 【該論文應邀在ICSE 2017上做Journal First Paper(期刊精

5、選論文)報告】On the Multiple Sources and Privacy Preservation Issues for Heterogeneous Defect Prediction，IEEE Transactions on Software Engineering (TSE), 2018, 在線出版. 【被評價為這一方向上目前最好的結果】Cross-Project and Within-Project Semisup

6、ervised Software Defect Prediction: A Unified Approach, IEEE Transactions on Reliability (TR), 2018.以及CCF的B類期刊ASE、IST、STVR、IET Software和B類會議ICSME等。,,,1-1,近期工作介紹: 軟件工程方向,軟件工作量估計：1. Missing Data Imputation Based on Low-r

7、ank Recovery and Semi-supervised Regression for Software Effort Estimation, International Conference on Software Engineering (ICSE), 2016. 【首次提出缺 失工作量數據補償問題，被評價為當時最好的結果、里程碑的工作】2. Privacy Preserving via Interval

8、 Covering Based Subclass Division and Manifold Learning Based Bi-directional Obfuscation for Effort Estimation, IEEE/ACM Conference on Automated Software Engineering (ASE), 2016. 【首次提出工作量估計的隱私保護問題 】3. Software

9、Effort Estimation Based on Open Source Projects: Case Study of Github, Information and Software Technology (IST), 2017.4. Online Software Effort Estimation, ICSE短文錄用, 2018.,軟件工程方向聚焦于軟件缺陷預測、軟件工作量估計技術。,,,1-2,近期工作介紹: 圖

10、像視頻分析方向,圖像視頻分析方向聚焦于行人重識別、高維數據特征提取技術。,行人重識別：Super-resolution Person Re-identification with Semi-coupled Low-rank Discriminant Dictionary Learning, CVPR, 2015 / IEEE Transactions on Image Processing (TIP), 2017. 【他引52次，首次

11、提出超分辨率行人重識別問題】Video-Based Person Re-Identification by Simultaneously Learning Intra-Video and Inter-Video Distance Metrics, IJCAI, 2016 / IEEE Transactions on Image Processing (TIP), 2018.Learning Heterogeneous Di

12、ctionary Pair with Feature Projection Matrix for Pedestrian Video Retrieval via Single Query Image, AAAI, 2017. 【首次提出圖像視頻行人重識別問題】Image to Video Person Re-identification by Learning Heterogeneous Dictionary Pair with Fea

13、ture Projection Matrix, IEEE Transactions on Information Forensics and Security (TIFS), 2018. Semi-supervised Cross-view Projection-based Dictionary Learning for Video-based Person Re-identification, IEEE Transactions o

14、n Circuits and Systems for Video Technology (TCSVT), 2017. 【首次提出半監(jiān)督視頻行人重識別問題 】,,,1-2,近期工作介紹: 圖像視頻分析方向,圖像視頻分析方向聚焦于行人重識別、高維數據特征提取技術。,高維數據特征提取和學習（特別是多源異構大數據分析，發(fā)展了多視圖學習技術）：Semi-supervised Multi-view Correlation Feature Lear

15、ning with Application to Webpage Classification, AAAI, 2017. 【在多視圖、多光譜、多模態(tài)特征學習方面發(fā)表了系列研究論文】Multi-kernel Low-rank Dictionary Pair Learning for Multiple Features based Image Classification, AAAI, 2017. Discriminant Tensor

16、 Dictionary Learning with Neighbor Uncorrelation for Image Set Based Classification, IJCAI, 2017.Multiset Feature Learning for Highly Imbalanced Data Classification, AAAI, 2017. Multi-Label Dictionary Learnin

17、g for Image Annotation. IEEE Transactions on Image Processing, 2016.Multi-view Low-rank Dictionary Learning for Image Classification, Pattern Recognition, 2016.Multi-spectral Low-rank Structured Dictionary Learning for

18、 Face Recognition, Pattern Recognition, 2016.Uncorrelated Multi-set Feature Learning for Color Face Recognition, Pattern Recognition, 2016.Intra-View and Inter-View Supervised Correlation Analysis for Multi-View Featur

19、e Learning, AAAI, 2014.Uncorrelated Multi-View Discrimination Dictionary Learning for Recognition, AAAI, 2014.,,,,,2,,近期工作介紹,,Outline,,,,,,,基于機器學習的軟件工程技術研究,,,不同的軟件模塊之間存在一定相似性，即一個軟件模塊可以由少量的其他模塊近似地表示,近年來，很多流行的機器學習分類方法在軟件缺

20、陷預測領域都得到了應用。但是，這些分類方法通常會面臨一些困難，例如類不平衡（class-imbalance）問題和誤分類代價（misclassification cost）問題。,稀疏表示、字典學習是圖像視頻高維數據分析熱點技術，能否適用于低維度量表示的軟件缺陷數據？,,能否通過構建軟件缺陷數據的稀疏表示解決預測過程中遇到的問題?,軟件缺陷預測,●基于字典學習的軟件缺陷預測,2-1,Xiao-Yuan Jing, Shi Ying, Z

21、hi-Wu Zhang, Shanshan Wu, Jin Liu: Dictionary learning based software defect prediction. ICSE, 2014.,,,我們第一次嘗試在軟件缺陷預測領域應用字典學習技術，通過軟件度量特征挖掘，學習多字典和特征表示系數。為了增強模型分類能力：,軟件缺陷預測,2-1,Xiao-Yuan Jing, Shi Ying, Zhi-Wu Zhang, Sh

22、anshan Wu, Jin Liu: Dictionary learning based software defect prediction. ICSE, 2014.,,,軟件缺陷預測流程,實驗在來自于NASA的10個數據集上，與幾種最具有代表性的軟件缺陷預測方法進行了對比，取得了較好的預測結果。,提出了一種代價敏感，具有判別力的字典學習（cost-sensitive discriminative dictionary learni

23、ng，CDDL）方法,Xiao-Yuan Jing, Shi Ying, Zhi-Wu Zhang, Shanshan Wu, Jin Liu: Dictionary learning based software defect prediction. ICSE, 2014.,軟件缺陷預測,2-1,,,類不平衡問題（class imbalance）,,項目內（within-project）:數據類的不平衡分布導致了缺陷預測的準確率較低

24、。,,跨項目（cross-project）:現有的處理跨項目類不平衡的缺陷預測方法中，在欠采樣和過采樣的進程中會伴隨原始信息的丟失以及綜合信息的加入。,怎樣設計一種通用方法同時解決項目內與跨項目中的類不平衡問題？,,軟件缺陷預測,Xiao-Yuan Jing, Fei Wu, Xiwei Dong, Baowen Xu: An Improved SDA Based Defect Prediction Framework for Bot

25、h Within-Project and Cross-Project Class Imbalance Problems. TSE, 2017.,●基于改進子類判別分析的缺陷預測框架用于項目內與跨項目中的類不平衡問題,2-1,,,針對于項目內部和跨項目的類不平衡問題分別提出了一種解決方法，如下：,,項目內的類不平衡問題,對于項目內的類不平衡問題，通過引入子類判別分析（subclass discriminant analysis，SDA）

26、去解決類不平衡問題，并對其進行了改進以得到平衡分布的子類，稱為ISDA（improved SDA）,跨項目的類不平衡問題,對于跨項目的類不平衡問題，首先通過遷移學習方法——半監(jiān)督的遷移成分分析（semi-supervised transfer component analysis，SSTCA），使目標項目的數據分布與源項目相似。在此基礎上，再使用ISDA進行類不平衡學習,,Xiao-Yuan Jing, Fei Wu, Xiwei Do

27、ng, Baowen Xu: An Improved SDA Based Defect Prediction Framework for Both Within-Project and Cross-Project Class Imbalance Problems. TSE, 2017.,軟件缺陷預測,2-1,,,本文為項目內部和跨項目中類的不平衡問題提供一種有效統一的解決方案。,類不平衡問題的統一缺陷預測框架,,ISDA將有缺陷和無

28、缺陷的實例劃分為適當數量的平衡子類。然后，利用SDA從原始度量中得到具有良好判別能力的特征。最后，利用隨機森林分類器可以得到預測結果。,我們選擇了一種最先進的遷移學習方法 — 半監(jiān)督遷移成分分析（transfer component analysis， TCA ），使目標項目的數據分布與源項目相似。從而源項目和目標項目有相同的投影變換，然后，通過ISDA學習投影轉換，并利用所學到的投影變換，得到源項目和目標項目相對應的投影特征。最后利用

29、隨機林分類器，可以得到目標項目的類標簽。,,Xiao-Yuan Jing, Fei Wu, Xiwei Dong, Baowen Xu: An Improved SDA Based Defect Prediction Framework for Both Within-Project and Cross-Project Class Imbalance Problems. TSE, 2017.,軟件缺陷預測,2-1,,,現有的跨公司的缺

30、陷預測方法(Cross-company defect prediction ,CCDP)都是基于這樣一個假設：“源數據與目標公司的數據應具有同樣的軟件度量”，也就是度量類型和度量集的大小相同。,對于訓練數據來說，共有的度量數量太少特有的度量可能具備更好的判別能力，但無法充分利用,,四家公司缺陷數據使用的度量,Xiao-Yuan Jing, Fei Wu, Xiwei Dong, Fumin Qi, Baowen Xu: Hetero

31、geneous Cross-Company Defect Prediction by Unified Metric Representation and CCA-Based Transfer Learning. FSE, 2015.,●基于典型相關分析的異質跨公司缺陷預測,軟件缺陷預測,2-1,,,Xiao-Yuan Jing, Fei Wu, Xiwei Dong, Fumin Qi, Baowen Xu: Heterogeneous

32、 Cross-Company Defect Prediction by Unified Metric Representation and CCA-Based Transfer Learning. FSE, 2015.,軟件缺陷預測,2-1,針對異構的源和目標數據的UMR構造說明,,,本文稱這種針對異構跨公司的缺陷預測方法為CCA+,提出了一種統一源數據和目標公司數據的度量表示（unified metric representation

33、， UMR）,基于UMR，首次將遷移學習方法——典型相關分析（canonical correlation analysis ，CCA）引入跨公司的缺陷預測（CCDP）當中，使得目標公司與源公司具有相似的數據分布。,,Xiao-Yuan Jing, Fei Wu, Xiwei Dong, Fumin Qi, Baowen Xu: Heterogeneous Cross-Company Defect Prediction by Unif

34、ied Metric Representation and CCA-Based Transfer Learning. FSE, 2015.,軟件缺陷預測,2-1,,,Zhiqiang Li, Xiao-Yuan Jing, Xiaoke Zhu, Hongyu Zhang, Baowen Xu, Shi Ying: On the Multiple Sources and Privacy Preservation Issues for H

35、eterogeneous Defect Prediction, TSE, 2018.,多源（multiple sources）問題,隱私保護（privacy preservation）問題,,,基于單個源項目來預測目標項目不但源與目標項目之間存在異質性，而且多個源之間也存在異質性,構建HDP模型的一個先決條件是來自其他公司的外部項目能夠獲得到由于數據的隱私問題，源數據擁有者并不愿意分享他們的數據,現有的HDP方法并沒有考慮研究以下兩

36、個問題：,●基于多源與隱私保護的異質缺陷預測,軟件缺陷預測,2-1,,,本文我們首次研究異質缺陷預測（ HDP ）中的多源問題與隱私保護問題：,Zhiqiang Li, Xiao-Yuan Jing, Xiaoke Zhu, Hongyu Zhang, Baowen Xu, Shi Ying: On the Multiple Sources and Privacy Preservation Issues for Heterogeneou

37、s Defect Prediction, TSE, 2018.,軟件缺陷預測,2-1,,,,通過對多個源項目使用稀疏表示的雙混淆算法（SRDO）得到隱私性比較高的新的多個源項目。,采用基于多源選擇的流形鑒別對齊方法(MSMDA)建立HDP模型。最后，基于訓練后的HDP模型，對目標中的測試數據進行了預測。,,Zhiqiang Li, Xiao-Yuan Jing, Xiaoke Zhu, Hongyu Zhang, Baowen Xu,

38、Shi Ying: On the Multiple Sources and Privacy Preservation Issues for Heterogeneous Defect Prediction, TSE, 2018.,軟件缺陷預測,2-1,,,Zhiqiang Li, Xiao-Yuan Jing, Xiaoke Zhu, Hongyu Zhang: Heterogeneous Defect Prediction throug

39、h Multiple Kernel Learning and Ensemble. ICMSE, 2017.,線性不可分（linearly inseparable）問題,類不平衡（class imbalanced）問題,,,缺陷數據通常位于非線性的特征空間中，具有線性不可分的特性現有的HDP方法并沒有研究缺陷數據的線性相關性關系，這些方法可能會遭受線性不可分問題,缺陷數據通常是類不平衡的，具有類不平衡的特性現有的HDP方法并沒有研究缺

40、陷數據的類不平衡特性，這些方法通常會遭受類不平衡問題,現有的HDP方法并沒有考慮缺陷數據的兩個特性，可能會存在以下兩個問題：,●多核學習和集成學習的異質缺陷預測,軟件缺陷預測,2-1,,,考慮到以上缺陷數據的兩個特性，我們提出了一種新的HDP方法：集成多核相關對齊學習(Ensemble Multiple Kernel Correlation Alignment Learning，EMKCA)),線性不可分問題,類不平衡問題,,多核學習技

41、術,,集成學習技術,EMKCA方法,將源和目標數據映射到高維內核空間,結合多個內核分類器，減輕類不平衡的影響,,,,軟件缺陷預測,2-1,Zhiqiang Li, Xiao-Yuan Jing, Xiaoke Zhu, Hongyu Zhang: Heterogeneous Defect Prediction through Multiple Kernel Learning and Ensemble. ICMSE, 2017.,,,考慮

42、到以上缺陷數據的兩個特性，我們提出了一種新的HDP方法，即代價敏感遷移核典型相關分析(Ensemble Multiple Kernel Correlation Alignment Learning，EMKCA)),EMKCA方法示意圖,,將歷史缺陷數據映射到高維特征空間中以改善其可分離性。,多核學習可以組裝不同類型的核函數，并利用每個基本核函數的優(yōu)勢來提高預測精度。,使用一組分類器進行預測，提高了分類器的泛化能力。,,,軟件缺陷預測,2

43、-1,Zhiqiang Li, Xiao-Yuan Jing, Xiaoke Zhu, Hongyu Zhang: Heterogeneous Defect Prediction through Multiple Kernel Learning and Ensemble. ICMSE, 2017.,,,Zhiqiang Li, Xiao-Yuan Jing, Fei Wu, Xiaoke Zhu, Baowen Xu, Shi Ying

44、: Cost-Sensitive Transfer Kernel Canonical Correlation Analysis for Heterogeneous Defect Prediction. ASE Journal, 2018.,在2018年工作中，基于HDP工作中缺陷數據的線性不可分和類不平衡問題，我們提出了一種新的方法，即代價敏感遷移核典型相關分析(cost-sensitive transfer kernel canoni

45、cal correlation analysis, CTKCCA),CTKCCA方法示意圖,線性不可分問題,類不平衡問題,,核學習技術,,代價敏感學習技術,,,在28個項目上，CTKCCA方法取得了較好預測結果,軟件缺陷預測,2-1,,,Zhiqiang Li, Xiao-Yuan Jing, Xiaoke Zhu: Heterogeneous Fault Prediction with Cost Sensitive Domain Ad

46、aptation. STVR, 2018.,現有的HDP方法并沒有考慮如何使用混合項目（項目內與跨項目）數據：,在軟件測試的早期階段，一些項目可能只有較少數量的歷史缺陷數據，所學習的預測模型往往具有較差的性能,在實踐中，我們可以收集到一些公開的缺陷數據集或開源項目，并提取相關的缺陷預測數據,,,如何使用混合項目（項目內與跨項目）數據用于HDP并沒有得到研究？如何同時處理項目內與跨項目中存在的類不平衡問題？,●基于代價敏感域自適應的異質

47、缺陷預測,軟件缺陷預測,2-1,,,對于以上兩個問題的解決辦法：,Zhiqiang Li, Xiao-Yuan Jing, Xiaoke Zhu: Heterogeneous Fault Prediction with Cost Sensitive Domain Adaptation. STVR, 2018.,軟件缺陷預測,2-1,,,本文我們考慮以上兩個問題，提出了一種新的HDP方法，即代價敏感標簽與結構一致性單向投影（cost-se

48、nsitive label-and-structure-consistent unilateral projection, CLSUP）,CLSUP方法示意圖,采用遷移學習技術 -- 異構域自適應（標簽和結構一致的單向投影(LSUP) ），使兩個域的數據分布相似。同時引入代價敏感學習技術解決類不平衡問題。,,Zhiqiang Li, Xiao-Yuan Jing, Xiaoke Zhu: Heterogeneous Fault Pred

49、iction with Cost Sensitive Domain Adaptation. STVR, 2018.,軟件缺陷預測,2-1,,,Fei Wu, Xiao-Yuan Jing, Ying Sun, Jing Sun, Lin Huang, Fangyi Cui, Yanfei Sun: Cross-Project and Within-Project Semisupervised Software Defect Predic

50、tion: A Unified Approach. TR, 2018.,現有的CPDP方法通常需要大量的已標記的數據，一些項目可能只有較少數量的已標記歷史缺陷數據。半監(jiān)督缺陷預測可以利用大量容易獲得的無標記數據。將結合跨項目和半監(jiān)督方法稱為跨項目半監(jiān)督缺陷預測（CSDP）,現有的項目內部半監(jiān)督缺陷預測（WSDP）方法通常依賴于預測模型的好壞，或者簡單利用缺陷數據間的相似性，缺少充分的特征學習過程。,提供一個統一的學習框架：同時研究CSD

51、P和WSDP方法，利用字典學習技術，提高預測模型的特征學習能力，同時在字典學習基礎上做了代價敏感和核化的技術提升。,●基于代價敏感核半監(jiān)督字典學習的缺陷預測,,,軟件缺陷預測,2-1,,,本文我們提出代價敏感的核化半監(jiān)督字典學習（Costsensitive Kernelized Semisupervised Dictionary Learning）,半監(jiān)督字典學習(SDL)技術,SDL示意圖,利用大量的無標記數據,增強特征學習能力,,,

52、增強模型的可分離性,,,缺陷預測中經常遇到誤分類問題,Kernel技術,Cost-sensitive技術,CKSDL方法，在16個項目上取得了較好的結果。,,,軟件缺陷預測,2-1,Fei Wu, Xiao-Yuan Jing, Ying Sun, Jing Sun, Lin Huang, Fangyi Cui, Yanfei Sun: Cross-Project and Within-Project Semisupervised So

53、ftware Defect Prediction: A Unified Approach. TR, 2018.,,工作量估計,2-2,,軟件工作量估計,,,歷史數據,預測模型,待開發(fā)項目,人力成本(effort),訓練,預測,,工作量估計是軟件開發(fā)關鍵步驟,1、工作量估計數據缺失補全,2、工作量估計數據隱私保護,3、工作量估計數據匱乏問題,工作量估計研究內容,結構化低秩恢復缺失數據補全算法,,半監(jiān)督回歸補全算法,,數據缺失場景：,,數據

54、補全方法：,,,自變量,因變量,數據集,●工作量估計數據缺失補全,,工作量估計,2-2,,Xiao-Yuan Jing, Fumin Qi, Fei Wu, Baowen Xu: Missing data imputation based on low-rank recovery and semi-supervised regression for software effort estimation. ICSE 2016.,,工作量估

55、計,2-2,,Cyclic weighted median(CWM),圖像數據補全,工作量估計數據補全,,,工作量數據隨機排列,圖像的像素結構,結構化工作量估計數據,,,構建全連接圖,,,,頂點：缺失數據,邊：歐式距離,最小生成樹問題,Xiao-Yuan Jing, Fumin Qi, Fei Wu, Baowen Xu: Missing data imputation based on low-rank recovery and se

56、mi-supervised regression for software effort estimation. ICSE 2016.,,工作量估計,2-2,,Fumin Qi, Xiao-Yuan Jing, Xiaoke Zhu, Fei Wu, Li Cheng: Privacy preserving via interval covering based subclass division and manifold learni

57、ng based bi-directional obfuscation for effort estimation. ASE 2016.,工作量數據的隱私化工作研究較少,Effort相近的樣本，數據分布是近似,無類別的工作量數據可以轉換為有類別的數據,未隱私化的數據,競爭對手獲取信息(例如，競標價),,,隱私問題,●工作量估計數據隱私保護,,工作量估計,2-2,,,子類1,子類2,子類3,子類4,,,,,,,,中心點：概率大的樣本

58、范 圍：effort 誤差在25%以內,Step 1:,Step 2:,最近不相關近鄰樣本對目標樣本進行雙向混淆，維持原始數據的分布特性.,Fumin Qi, Xiao-Yuan Jing, Xiaoke Zhu, Fei Wu, Li Cheng: Privacy preserving via interval covering based subclass division and manifold learning based

59、 bi-directional obfuscation for effort estimation. ASE 2016.,,工作量估計,2-2,,Fumin Qi, Xiao-Yuan Jing, Xiaoke Zhu, Xiaoyuan Xie, Baowen Xu, Shi Ying: Software effort estimation based on open source projects: Case study of Gi

60、thub. Information & Software Technology, 2017.,●工作量估計數據匱乏問題,開源項目較少,ISBSG和Promise Repository,已公布的數據集數據共享困難,涉及商業(yè)機密,工作量估計建模中，數據是關鍵因素,自己提取數據集過程繁瑣,GitHub,數據匱乏,,,開源項目托管平臺,豐富數據,,利用GitHub, 實現自動提取工作量估計數據平臺,,工作量估計,2-2,,●獲得數據用于

61、工作量估計,數據采集,用收集到的數據訓練預測模型。,數據集擴展,工作量估計部分,從GitHub獲得項目數據并且進行過濾，提取必要數據。,實現自動提取，獲得更多數據。,Fumin Qi, Xiao-Yuan Jing, Xiaoke Zhu, Xiaoyuan Xie, Baowen Xu, Shi Ying: Software effort estimation based on open source projects: Case s

62、tudy of Github. Information & Software Technology, 2017.,,工作量估計,2-2,,使用功能點和人員因素作為收集數據的模型,傳統人員因素是定性的評價，無法較好地反映開發(fā)團隊的情況。,設計定量評價人員因素方法,ABCART：AdaBoost and Classification And Regression Tree,提出了一個ABCART算法增量式的收集數據,Fumin Q

63、i, Xiao-Yuan Jing, Xiaoke Zhu, Xiaoyuan Xie, Baowen Xu, Shi Ying: Software effort estimation based on open source projects: Case study of Github. Information & Software Technology, 2017.,,,,,3,,近期工作介紹,,Outline,,,,,,,

64、基于機器學習的軟件工程技術研究,,,分辨率越低,難點,●基于半耦合與低秩鑒別字典的超分辨率行人重識別方法,行人重識別,3.1,特征信息越少,鑒別能力越弱,,,Xiao-Yuan Jing, Xiaoke Zhu, Fei Wu, Ruimin Hu, Xinge You, Yunhong Wang, Hui Feng, and Jing-Yu Yang: Super-resolution Person Re-identificatio

65、n with Semi-coupled Low-rank Discriminant Dictionary Learning. CVPR2015, TIP2017.,,,解決方法--SLD2L,基于低秩半耦合鑒別字典學習的超分辨率行人重識別方案,1/8 i-LIDS dataset,1/8 PRID dataset (Multi-shot),1/8 ETHZ dataset,生成低分辨率圖像,按patch聚類，進行高低分辨率圖像的字典學習

66、,半耦合有監(jiān)督低秩學習,投影,行人重識別,3.1,Xiao-Yuan Jing, Xiaoke Zhu, Fei Wu, Ruimin Hu, Xinge You, Yunhong Wang, Hui Feng, and Jing-Yu Yang: Super-resolution Person Re-identification with Semi-coupled Low-rank Discriminant Dictionary L

67、earning. CVPR2015, TIP2017.,,,,什么是圖片對視頻的行人重識別？,當給出某人的一張照片，如何從從監(jiān)控視頻中檢索到這個人？,圖片和視頻的特征表示方式不同同一視頻內不同幀之間存在較大差異,難點,●基于異質字典對與投影矩陣的行人重識別方法,Xiaoke Zhu, Xiao-Yuan Jing, Xinge You, Wangmeng Zuo, Shiguang Shan, Wei-Shi Zheng: Image

68、 to Video Person Re-identification by Learning Heterogeneous Dictionary Pair with Feature Projection Matrix. AAAI 2017, TIFS 2018.,行人重識別,3.1,,,異構字典對學習,多視圖投影矩陣學習,視頻：聚類—投影—字典學習,圖片：字典學習,,同一編碼系數空間,將多個視圖的結果進行加權求和,行人重識別,3.1,Xi