对于视觉识别来说,中等层级的特征提供了一个连接低等层级基于像素的信息,与高等层级的诸如对象和场景等概念之间的桥梁。有效的中等层级的特征表示方法能够对图像信息进行有效的抽象,从而对之后的分类任务等起到至关重要的作用。手绘草图是针对这一研究的极好材料,其简单概要的信息便于更好地针对表示学习进行研究。而基于部件的草图分类问题,其主要目标就是用以研究利用部件表示整体的特征表示方法,尝试解决以往图像分类方法在面对类内变化、视觉角度变化、非刚性变换以及遮挡或残缺等情况时效果并不理想的难题。具体研究内容如下:(1)基于卷积与胶囊网络的人工神经网络模型,对传统神经网络结构进行了改进。其使用向量来代替标量的思想,以及用以描述网络中不同特征学习层之间的关系的动态路由算法,弥补了卷积网络未能考虑到特征之间的重要的空间层次结构,以及缺乏旋转不变性的缺陷,为图像识别提供了一种具有突破性的模型结构创新。(2)基于含隐变量的支持向量机的特征学习方法,提供了一种简洁、高效的中层特征表示方法。该方法对部件进行筛选,使其更具有代表性和区别性,再输入到胶囊网络,探究了传统的机器学习方法与新的表示学习方法的结合效果。