基于知識共享和遷移的目標檢測與識別算法研究.pdf

1、靜態(tài)圖像中的目標檢測技術(shù)能夠根據(jù)視覺特征對圖像中包含的目標進行檢測定位和內(nèi)容識別，并能獲取目標的一些具體狀態(tài)參數(shù)。該技術(shù)在圖像檢索、人機交互、場景監(jiān)控以及機器人視覺等領(lǐng)域都有廣泛應(yīng)用。本文從機器學(xué)習(xí)的視角入手，針對多任務(wù)的目標檢測和識別模型學(xué)習(xí)中知識共享以及知識遷移等問題進行了改進。
　　論文的主要工作包括:
　　1)實現(xiàn)了一個基于運動信息和局部并發(fā)特征的目標檢測和識別系統(tǒng)。對于一些工作于小型終端設(shè)備以及機器人等應(yīng)用場合下的

2、圖像目標檢測識別系統(tǒng)而言，如何對周圍物體進行透明在線的學(xué)習(xí)是一個關(guān)鍵問題。本文通過利用連續(xù)幀上的運動信息來提高機器學(xué)習(xí)的自主性，弱化學(xué)習(xí)過程，使系統(tǒng)可以通過與非專業(yè)用戶進行簡單的互動來發(fā)現(xiàn)和記憶目標。系統(tǒng)采用視覺單詞包方法，同時利用了傳統(tǒng)的局部特征描述子和局部并發(fā)特征來描述目標，在一個由十數(shù)種常見目標組成的數(shù)據(jù)庫上取得了良好的效果。
　　2)給出了一種基于隱式亞類共享特征的自適應(yīng)目標檢測方法。對于泛性的圖像目標檢測與識別問題而言，

3、近年來研究者們傾向于通過增加模型復(fù)雜程度來學(xué)習(xí)那些由于視角及光照等因素表觀變化更加劇烈的目標。此類方法往往在獲得高性能的同時伴隨著較大的計算量，如果目標問題本身的復(fù)雜程度并不高，直接使用此類模型往往會導(dǎo)致計算資源的浪費并帶來過學(xué)習(xí)的風(fēng)險。本文中我們從特征共享的角度來重新理解模型學(xué)習(xí)過程，提出一種針對目標本身的類內(nèi)方差不同，自適應(yīng)地在不同層次上對目標特征進行共享的模型學(xué)習(xí)方法。實驗證明，通過這種自適應(yīng)知識共享建立的級聯(lián)式分類器在多種目標檢

4、測任務(wù)上實現(xiàn)了對性能和效率的自適應(yīng)調(diào)整。
　　3)給出了一種結(jié)構(gòu)化的選擇性遷移學(xué)習(xí)算法。遷移學(xué)習(xí)方法是一種可行性很強的降低訓(xùn)練代價的方法，論文從多任務(wù)學(xué)習(xí)的角度考慮遷移學(xué)習(xí)問題，提出了一種可以從多個相關(guān)任務(wù)中自動提取有用信息，以對當前任務(wù)學(xué)習(xí)進行輔助的選擇性遷移學(xué)習(xí)方法。該方法將遷移學(xué)習(xí)視為一種有偏的多任務(wù)學(xué)習(xí)過程，對每一個任務(wù)設(shè)置一個偏置權(quán)重來控制其對學(xué)習(xí)的影響。同時，我們通過在迭代學(xué)習(xí)的過程中添加約束使和目的任務(wù)最相關(guān)的部分源

5、任務(wù)參加到知識遷移當中，保證了最有效的知識遷移。實驗證明，該方法可以從混合了相關(guān)任務(wù)與無關(guān)任務(wù)的混合輔助任務(wù)集中有效地選擇出相關(guān)知識并實現(xiàn)遷移。
　　4)實現(xiàn)了一種基于遷移學(xué)習(xí)的目標視角識別方法。如何處理多視角表觀變化問題一直以來是目標檢測與識別研究中的一個難點，直接通過手工標注訓(xùn)練樣本來學(xué)習(xí)模型往往會導(dǎo)致過高的學(xué)習(xí)代價，而遷移學(xué)習(xí)正是解決這一問題的一個新手段。本文中我們通過選擇性遷移方法，將一個混合數(shù)據(jù)集中的視角信息遷移到目標任