本文選題：目標(biāo)識(shí)別 + 遷移學(xué)習(xí)　； 參考：《電子科技大學(xué)》2017年博士論文

【摘要】：目標(biāo)識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)基礎(chǔ)問(wèn)題,它的核心任務(wù)是將不同類別的圖像彼此分開(kāi)(即分類問(wèn)題),或者從給定的圖片中,找到目標(biāo)物體的準(zhǔn)確位置(即檢測(cè)問(wèn)題)。經(jīng)典的目標(biāo)識(shí)別問(wèn)題假設(shè)訓(xùn)練場(chǎng)景和測(cè)試場(chǎng)景所服從概率分布相同。但是,在真實(shí)應(yīng)用場(chǎng)景中,這一條件有時(shí)并不滿足,于是,經(jīng)常會(huì)出現(xiàn)這樣的情況:當(dāng)訓(xùn)練好的分類器或者檢測(cè)器被應(yīng)用到一個(gè)新的場(chǎng)景時(shí),其性能會(huì)迅速下降。對(duì)于這一問(wèn)題,目前采用基于遷移學(xué)習(xí)的目標(biāo)識(shí)別方法加以解決。近年來(lái),針對(duì)這類方法的研究日益受到關(guān)注,雖取得了一些成果,但還存在諸多不足,離實(shí)際應(yīng)用也有較大差距。本文主要圍繞“域自適應(yīng)目標(biāo)分類”和“域自適應(yīng)目標(biāo)檢測(cè)”兩個(gè)基本主題,展開(kāi)相關(guān)研究,針對(duì)現(xiàn)有方法所存在問(wèn)題,提出相應(yīng)解決方案。對(duì)于現(xiàn)有域自適應(yīng)目標(biāo)分類方法,其主要問(wèn)題是:樣本本身所構(gòu)成的流形結(jié)構(gòu)沒(méi)有被充分利用。針對(duì)該問(wèn)題,本文從特征表達(dá)魯棒性的角度出發(fā),研究如何有效利用樣本流形結(jié)構(gòu),實(shí)現(xiàn)魯棒的特征編碼。而對(duì)于現(xiàn)有域自適應(yīng)目標(biāo)檢測(cè)方法,其主要問(wèn)題是:算法對(duì)源樣本和帶標(biāo)簽?zāi)繕?biāo)域樣本存在依賴。針對(duì)該問(wèn)題,圍繞著行人檢測(cè)這一具體應(yīng)用,本文從分類器回歸、自適應(yīng)分類器調(diào)整和自適應(yīng)特征調(diào)控這三個(gè)角度,分別進(jìn)行研究。本文的主要內(nèi)容如下:1)提出一種基于協(xié)同特征的多類別線性分類算法。首先,按照類別依次排列的方式,將所有源樣本構(gòu)成字典;然后,結(jié)合該字典和目標(biāo)樣本的最近鄰幾何結(jié)構(gòu)信息,實(shí)現(xiàn)對(duì)樣本的編碼;最后,利用最近鄰分類器完成分類。為了進(jìn)一步討論目標(biāo)樣本鄰域信息對(duì)特征表達(dá)的影響,我們還提出了兩種新的特征,它們分別融合了目標(biāo)樣本局部近鄰信息和目標(biāo)樣本自適應(yīng)局部近鄰信息。2)提出了一種基于分類器回歸的遷移方法,應(yīng)用于行人檢測(cè)問(wèn)題。首先,為回歸過(guò)程生成訓(xùn)練數(shù)據(jù):a)利用ESVM方法為每個(gè)源樣本生成相應(yīng)的樣例分類器,并將其作為回歸標(biāo)簽數(shù)據(jù);b)提出一個(gè)自編碼器神經(jīng)網(wǎng)絡(luò)方法,利用其中的編碼器對(duì)回歸標(biāo)簽數(shù)據(jù)進(jìn)行降維。然后,為了回歸低維回歸標(biāo)簽數(shù)據(jù),提出了一種由多個(gè)子網(wǎng)絡(luò)構(gòu)成的兩階段回歸網(wǎng)絡(luò)。在檢測(cè)時(shí),由回歸網(wǎng)絡(luò)得到的預(yù)測(cè)值需利用自編碼器中的解碼器,將其還原到原始空間,并作為測(cè)試樣本對(duì)應(yīng)的樣例分類器來(lái)實(shí)現(xiàn)分類。3)提出一種基于自適應(yīng)分類器調(diào)整的遷移方法,應(yīng)用于行人檢測(cè)問(wèn)題。首先,為了實(shí)現(xiàn)分類器自適應(yīng)調(diào)整,提出了一種基于單層感知機(jī)的動(dòng)態(tài)分類器。該分類器位于卷積神經(jīng)網(wǎng)絡(luò)的最后一層,其模型參數(shù)以加權(quán)的方式進(jìn)行調(diào)整,而加權(quán)值由另一個(gè)控制網(wǎng)絡(luò)預(yù)測(cè)生成。通過(guò)這種方式,該混合網(wǎng)絡(luò)為每一個(gè)目標(biāo)域樣本生成專有的分類器。然后,為了取得更好的泛化效果,設(shè)計(jì)了新的目標(biāo)函數(shù)。該函數(shù)包含兩個(gè)新的正則化項(xiàng):一個(gè)是基于預(yù)測(cè)權(quán)值稀疏性的約束;另一個(gè)是對(duì)動(dòng)態(tài)分類器一階導(dǎo)數(shù)的約束,該約束保證動(dòng)態(tài)分類器僅對(duì)困難樣本敏感。最后,給出了該混合網(wǎng)絡(luò)的訓(xùn)練算法。在訓(xùn)練過(guò)程中,為了避免調(diào)控網(wǎng)絡(luò)梯度消失問(wèn)題,提出了相應(yīng)的學(xué)習(xí)率控制技術(shù)。4)提出一種基于自適應(yīng)特征調(diào)控的遷移方法,應(yīng)用于行人檢測(cè)問(wèn)題。首先,為了讓卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)地為每個(gè)測(cè)試樣本生成合乎目標(biāo)場(chǎng)景概率分布的深度特征,提出了一種新的動(dòng)態(tài)池化層,該層通過(guò)加權(quán)的方式對(duì)深度卷積部分所產(chǎn)生的特征實(shí)現(xiàn)調(diào)控,而且,該層中的池化參數(shù)值是由另一網(wǎng)絡(luò)預(yù)測(cè)生成。然后,為了訓(xùn)練由受控卷積網(wǎng)絡(luò)和控制網(wǎng)絡(luò)所構(gòu)成的混合網(wǎng)絡(luò),提出了包含稀疏約束的目標(biāo)函數(shù),并在此基礎(chǔ)上,提出了針對(duì)該混合網(wǎng)絡(luò)的訓(xùn)練算法。
[Abstract]:Object recognition is a fundamental problem in the field of computer vision . The core task is to separate the images from different categories ( i.e . classification problems ) , or to find the exact location of the target object ( i.e . , detection ) from a given picture . A new dynamic classifier based on adaptive classifier is proposed .

【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)博士學(xué)位論文 前2條

1 黃仁杰;非可控條件下人臉識(shí)別中的若干問(wèn)題研究[D];電子科技大學(xué);2015年

2 高鵬毅;BP神經(jīng)網(wǎng)絡(luò)分類器優(yōu)化技術(shù)研究[D];華中科技大學(xué);2012年

相關(guān)碩士學(xué)位論文 前1條

1 李紅英;支持向量分類機(jī)的核函數(shù)研究[D];重慶大學(xué);2009年

，

本文編號(hào)：1895780