近日,集团王建军教授团队在人工智能领域——高维数据挖掘与机器学习方面再次取得突破性进展,以“Robust Low-tubal-rank Tensor Recovery from Binary Measurements(基于二值测量的稳健低管秩张量恢复)”为题的研究论文被国际权威顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence(IEEE TPAMI,IF:17.861)(《IEEE模式分析与机器智能汇刊》)录用为长文(Regular Paper)并已在线发表。IEEE TPAMI是人工智能、模式识别、计算机视觉及机器学习领域国际最顶级期刊,是中国计算机学会(CCF)推荐的为数不多的人工智能领域A类期刊。星际电子在线为成果的第一完成单位及第一通讯作者单位,集团博士研究生侯景耀为该论文的第一作者,王建军教授为通讯作者。这也是王建军教授团队近两年内在IEEE TPAMI上发表的第二篇高水平研究论文。
在图像视频处理、模式识别和计算机视觉等领域,高阶低秩张量是承载大规模高维数据本质结构信息的重要载体。为了实现高阶低秩张量数据的有效传输,我们往往需要利用张量的低秩性对其进行压缩、传输。低秩张量恢复(LRTR)是处理这种任务的有效方法,然而这种方法并没有考虑实际应用中量化误差对系统恢复性能的影响。受制于硬件成本与对数据传输速度的要求,在大规模传输过程中往往无法实现信号高精度地量化,因此量化误差对系统恢复性能的影响是不容忽视的。该文开创性地提出了基于二值量化的低秩张量恢复模型、理论与算法。通过将量化过程纳入模型进行处理,有效控制了量化误差对系统恢复性能的影响,同时二值量化的采用还极大降低了低秩张量恢复技术的硬件成本并显著提高了其处理速度。该方法在人脸图像恢复和多光谱图像恢复等实际应用中取得了远超经典方法的恢复精度,并有望改变雷达成像、移动通信、认知无线电等大数据相关领域传统的张量数据压缩、传输方式,具有极高的科学意义与应用价值。
该项研究得到了国家重点研发计划、国家自然科学基金、重庆市英才计划等项目的资助。
论文链接:https://ieeexplore.ieee.org/document/9369083